国际顶级医学期刊《柳叶刀》（The Lancet）最近发表了一篇实用的通讯文章（Correspondence），该篇Correspondence基于过去3年内对提交给《柳叶刀》的1000多篇manuscripts进行审核的经验，总结了科研report中常见统计使用错误，并给出了规避统计使用错误的建议，值得一读。
小编强行学习了一下，原文见文末！
描述性统计对于理解数据至关重要，对于定量变量选择何种描述性统计指标描述，根据数据分布情况而定，可选择报告均值和标准差，或者报告中位数和四分位数范围（IQR）。同时，需要提供分析中使用的变量的直方图或表格等补充资料。 所有统计分析都建立在基本假设的基础上，如果可行的话，最好使用图形检查所有模型假设。 显示精确的p值，例如，0.032的p值应显示为p=0.032，而不是p<0.05，然而，可以使用不等式p<0.0001来报告非常小的p值。 不要简单将结果描述为没有效果，除非区间估计的所有效应值均没有临床意义。 基于临床重要性解释结果，并使用95%置信区间适当估计关联。 根据背景信息识别混杂因素，而不是统计学检验。 如果缺失数据的比例很高，可能会影响结果，不要简单删除不完整数据，建议使用逆概率加权或多重插补等方法。 使用专用的方法评估和处理稀疏数据偏倚（sparse-data bias）。 如果结果发生率较高，应报告危险比（risk ratio）或危险差（risk difference），而不是比值比（odds ratio）。 即使使用了相乘模型（multiplicative），也要评估相加交互作用（additive interactions）。
全文总结如下，
-END- 分享一份Python可视化教程（基于py可视化利器seaborn）：530张图形+8000行代码+详细代码注释+后续免费更新+学习交流群，教程部分内容， 例如，
👉可视化配色工具，colormap多达3174类，数万种颜色！
每类图表包含详细代码+详细代码注释，多达8000行代码，例如，
如何加入学习？
👇加入学习（收费、备注：169）
✅解锁获取6大权限：
8000+行代码（复制即可运行） 在线教程文档（清晰目录） 依赖数据（免费下载） 交流群 后续更新 定期抽最新机器学习、数据科学类书籍 点个 在看、赞 就是最大的支持
