medstatistic

😍 Уважаемые коллеги, добрый день. Спешим отчитаться по большой проделанной работе коллектива авторов: Бурлов Н.Н., Лобастов К.В., Макарова Д.Д., Марапов Д.И., Навасардян А.Р. Доказательная медицина: навигатор по материалам тематических каналов. ◈ Это не просто подборка ссылок, а структурированный путеводитель по темам критического анализа научных публикаций и биостатистики. Каждая тема снабжена несколькими источниками с пометкой уровня: БАЗА (с чего начать), СРЕДНИЙ (практика и примеры) или УГЛУБЛЁННО (нюансы и частные случаи), так что навигатор одинаково полезен и новичку в ДМ, и опытному исследователю. ◈ Внутри Вы найдете 2 части и 20 разделов: 📌 Часть 1. Критический анализ научных публикаций: от иерархии доказательств и дизайна исследований до систематических ошибок, публикационного смещения, регистрации КИ и off-label назначений. 📌 Часть 2. Биостатистика: от описательной статистики до анализа выживаемости, множественных сравнений, эстимандов и обзора статистического ПО. ◈ В навигатор включена информация следующих каналов: ННАДМ (114 постов) Medstatistic (100 постов), EBM_base (47 постов), Lobastov's Library (14 постов), Journal Club · Base of EBM (12 постов) и ряда других каналов. ◈ Мануал живой и находится в процессе наполнения. Если у вас есть материалы, каналы или темы, которые стоит добавить, пишите под этим постом или в личном сообщении. ⚠️ Подписывайтесь на ресурсы экспертов: Medstatistic EBM_base Lobastov's Library Journal Club · Base of EBM ◈ Будем рады любой обратной связи. 👨‍🏫 Читайте. Думайте. Делитесь. Создавайте. ННАДМ |Medstatistic|EBM_base| Lobastov's Library | Journal Club · Base of EBM 👉 Подписаться на рассылку от ННАДМ по почте

В ближайшее время произойдет большое обновление StatTech, после которого мы сможем построить в этой программе новые графики: гистограммы распределения, pie chart, density plot, violin plot и другие. В том числе можно будет создавать интересные комбинации из разных типов диаграмм. Например, такую, как на этой картинке, кстати, полученной на тестовой версии StatTech. Эта комбинация столбчатой и скрипичной диаграмм, как мне кажется, получилась довольно интересной по форме. Даже захотелось придумать ей свое название. Попробуем? Предлагаю несколько вариантов. Выберите тот, который кажется Вам наиболее подходящим. А если есть свой вариант - напишите его в комментариях!

4️⃣ Продолжаем разбор ситуаций, где в зависимости от проверяемой нулевой гипотезы можно получить разные результаты анализа. Первый пример смотреть здесь Второй пример - здесь Третий пример - здесь Итак, перед нами график, на котором сопоставлены значения двух количественных показателей: X и Y. Мы видим, что с увеличением X (значения на горизонтальной оси) значения Y также увеличивается, причем со стремительно возрастающей скоростью. Такой рост показателя называется экспоненциальным. Есть ли у нас сомнения в наличии прямой корреляционной связи между X и Y? То есть такой, где увеличение X сопровождается увеличением Y? Конечно, нет. Коэффициент ранговой корреляции Спирмена ожидаемо демонстрирует очень высокое, близкое к 1 значение: 0.998, при p<0.001. Это понятно, ведь коэффициент Спирмена тестирует нулевую гипотезу об отсутствии монотонной связи между переменными. Монотонность в данном случае означает, что связь имеет неизменное направление. При этом неважно, насколько изменится одна переменная при увеличении другой. Главное, чтобы она все время либо увеличивалась (положительная / прямая связь), либо уменьшалась (отрицательная / обратная связь). А вот результаты оценки корреляции с помощью коэффициента Пирсона получились совсем другие: значение коэффициента составило всего 0.351, а p оказалось существенно выше 0.05, то есть связь - статистически незначима. Причина этого в том, что коэффициент корреляции Пирсона проверяет гипотезу об отсутствии линейной связи. Линейная связь - частный случай монотонной связи, для которой важно, что изменения Y при равномерном увеличении X происходят с одной и той же скоростью. Например, если X увеличится с 1 до 2 или с 2 до 3, то Y в обоих случаях должен увеличиться на одно и то же число. Получается, что перед нами - монотонная положительная связь, однако при этом она нелинейная. Выбор метода оценки корреляционной связи зависит от исследовательского вопроса: 📍Если нам достаточно вывода о том, что при увеличении одного показателя другой показатель все время либо увеличивается, либо уменьшается, причем неважно на сколько, тогда нам следует использовать коэффициент корреляции Спирмена. 📍А если мы хотим понять, является ли связь линейной, то есть при увеличении X на одно и то же число Y будет все время либо увеличиваться, либо уменьшаться на одно и то же число, тогда нам следует использовать коэффициент корреляции Пирсона. Конечно, это может быть отражено в тексте описания результатов. Например, в статье M.Gargett и соавт.(2019), указано, что: A monotonically increasing correlation (Spearman’s rho 0.771, p = 0.002) between the degree of PTV size reduction and motion vector magnitude was observed. А в статье Stijn Denissen и соавт. (2022), где использовался коэффициент корреляции Пирсона, представлен такой комментарий к диаграмме, иллюстрирующей связь: Figure displays the relationship between PC1 and brain age, revealing a strong linear relationship (r = 0.93, p < 0.001).

Перед следующим примером, иллюстрирующим важность исследовательской задачи, предлагаю всем ответить на вопрос! Перед вами график, на котором сопоставлены значения двух количественных показателей: X и Y. Мы видим ярко выраженный, экспоненциальный рост Y при увеличении X. Коэффициент ранговой корреляции Спирмена показал наличие прямой корреляционной связи высокой тесноты: значение коэффициента почти равно максимальному значению +1, конечно, связь статистически значима - p<0.001. А какой результат мы бы получили для этой связи, если бы использовали параметрический коэффициент корреляции Пирсона? Отметьте, пожалуйста, свой вариант ответа в опросе ниже.

В этом видео учимся находить моду😄

3️⃣ Рассмотрим очередной пример нестандартного применения статистических методов. Первый пример смотреть здесь Второй пример - здесь Итак, ситуация: вновь две группы, вновь сравниваем количественный признак. Вот только распределение у него в группах разное: в группе А - бимодальное распределение (то есть две моды: чаще других встречаются низкие значения и высокие значения), в группе В - симметричное, близкое к нормальному. Средние значения и медианы в обеих группах одинаковы и равны 4. Вероятность более высоких значений, как и более низких в группах одинакова. Поэтому и t-тест Стьюдента, и тест Манна-Уитни не показывают наличие различий: p=1.0 в обоих случаях. Готовы ли мы признать, что различий между группами нет? Не готовы. Это важно с точки зрения клиники. Предположим, что средний уровень 4 - условная норма показателя. Тогда в группе А часто встречаются значения ниже и выше нормы, а в группе В - у большинства пациентов значения нормальные или близкие к норме. Что же разное у этих групп? Форма распределения. Есть ли критерии, которые проверяют гипотезу о равенстве формы распределения? Есть. Один из них - двухвыборочный критерий Колмогорова-Смирнова. Его нулевая гипотеза состоит в том, что обе выборки исходят из одной генеральной совокупности, то есть функции распределения равны. Сравнив наши группы с помощью критерия Колмогорова-Смирнова, мы получили p=0.012. Это означает, что между распределениями групп А и B наблюдаются статистически значимые различия. Конечно, далее следует изучить, чем обусловлены эти различия. В случае бимодального распределения в первую очередь следует предположить влияние бинарного фактора (например, пола: у женщин показатель рос, у мужчин снижался). В любом случае, мы не сделаем неверного вывода о сопоставимости групп и получим основания для дальнейшего поиска.

Отвлечемся на время от сложных статистических вопросов😊

Продолжаем разбирать примеры с результатами применения статистических методов, которые некоторым могут показаться противоречивыми. 2️⃣ Однажды ко мне обратились с вопросом: медианы показателя оказались равны, а критерий Манна-Уитни показал наличие статистически значимых различий. Научный руководитель требует пересчета. Может ли вообще такое быть? Ответ: конечно, может! Этот критерий в общем случае не сравнивает медианы (только в некоторых частных может быть рассмотрена такая гипотеза). Поэтому мы можем получить такую ситуацию, как на этом рисунке. Вновь перед нами диаграмма распределения признака в 2 группах. Мы видим, что группы, как и в первом примере, имеют разнонаправленную асимметрию: в группе А она левосторонняя, в группе В - правосторонняя. Группы заметно смещены друг относительно друга, однако их моды совпадают: чаще всего в обеих группах встречается значение 6. При таком асимметричном распределении, как на рисунке, медиана находится возле моды - самой высокой точки, пика линии распределения. И в этом примере обе медианы тоже равны 6. Будет ли статистически значимым результат сравнения при использовании t-теста и критерия Манна-Уитни? В этом случае оба критерия показали статистическую значимость различий. P<0.001 для t-теста и p=0.002 для критерия Манна-Уитни. Результаты для t-теста, сравнивающего средние значения, выглядят вполне логично. Средние действительно разные: 5 - в группе А, 7 - в группе В, разность составила 2. А вот для тех, кто считает, что критерий Манна-Уитни сравнивает медианы, результат будет выглядеть противоречивым. Как так - медианы равны между собой, а p<0.05? Но если вспомнить вопрос, на который отвечает этот критерий, статистически значимые различия нас не удивят. Все логично: вероятность более высоких значений в группе В наглядно выше, чем в группе А. А могут ли и средние значения, и медианы быть одинаковыми, но между группами все равно будет отмечаться разница? Могут, если поставить подходящий вопрос. И такую ситуацию рассмотрим в следующем посте.

1️⃣ Итак, первый пример. Известно, что t-тест Стьюдента довольно устойчив к асимметрии выборки, но только в случаях, когда в обеих группах асимметрия имеет одно и то же направление: правосторонняя (чаще встречаются значения ниже среднего значения) или левосторонняя (чаще встречаются значения выше среднего). А что произойдет, если асимметрия будет разнонаправленной? На рисунке вы видите пирамидальную диаграмму, которая состоит из 2 гистограмм, соответствующих распределению количественного признака в 2 группах. Диаграмма наглядно показывает, что признак имеет разную асимметрию: в 1-й группе правосторонняя (чаще встречаются низкие значения), во 2-й группе - левосторонняя (чаще встречаются высокие значения). При этом средние значения оказались практически одинаковыми: в первой группе 5.01, а во второй - 4.99. Разность средних составляет ничтожные 0.02. И если мы будем сравнивать средние значения с помощью t-критерия Стьюдента, то, конечно, различия будут статистически незначимыми: p=0.904. Однако медианы оказались друг от друга на достаточно большом расстоянии: в первой группе - 4, во второй - 6. Также наблюдаются отличия нижнего и верхнего квартилей: 2 и 7 в первой группе, а во второй группе выше на единицу: 3 и 8, соответственно. Используем тест Манна-Уитни для сравнения. И получаем статистически значимую разницу: p=0.045. То есть: различия средних значений признака являются статистически незначимыми, но: вероятность более высоких значений во второй группе статистически значимо выше, чем в первой группе (в каждой случайно выбранной паре). Второй вывод выглядит вполне логично, если интерпретировать асимметрию распределения как преобладание значений ниже среднего в первой группе и преобладание значений выше среднего во второй группе. Представим, что 5 - это условное референсное (нормальное) значение показателя. Тогда в первой группе чаще встречаются значения ниже нормы, во второй - выше нормы. Конечно, такой вывод может быть очень интересен для клиницистов! А если референсный диапазон значений был широким и включал все наблюдаемые значения? Тогда факт того, что в одной из групп чаще встречаются значения ниже 5, а в другой - выше 5, может не иметь существенного клинического значения. Все значения находятся в пределах нормы. И нас вполне может устроить вывод о том, что средний уровень показателя сопоставим. Главное, делая вывод о значимости/незначимости, хорошо где-то обозначить, о каких именно различиях идет речь. На какой вопрос получен этот ответ.

Почему важно понимать, на какой вопрос отвечает критерий? Если вы читали книгу или смотрели фильм «Автостопом по галактике», то, конечно, помните, какой универсальный ответ дал мегасуперкомпьютер Думатель на «основной вопрос о жизни, вселенной и вообще»: 42. Ответ-то есть. Но, к сожалению, без четко сформулированного вопроса он является бессмысленным, абстрактным. Мне кажется, этот сюжет отлично описывает ситуацию, когда исследователь, не задумываясь, применяет какой-то статистический метод к решению задачи. И получает универсальный ответ, например, различия статистически значимы. И этот ответ, хотя, конечно, существенно более земной и понятный, чем 42, но всё-таки требует конкретизации. Различия чего? Средних? Медиан? Дисперсий? К какому эффекту относится универсальное выражение p<0.05? Как звучит вопрос, на который мы получили этот ответ? Это была присказка. А мы продолжаем на удивление хайповую тему выбора статистических методов. Многое уже сказано, многое обсуждено. В серии постов я покажу еще несколько примеров, в которых разные критерии, применяемые к одним и тем же данным, ведут к противоположным результатам. Либо эти результаты могут выглядеть странными, неожиданными для читателя. И в таких случаях критически важно понимать, на какой вопрос мы ищем ответ, чтобы выбрать правильное решение и дать верную интерпретацию.

Выбираем статистический метод исходя из проверяемой гипотезы Данный подход состоит в том, что вначале исходя из решаемой задачи нужно определить проверяемую нулевую гипотезу. Нулевая гипотеза - это предположение об отсутствии эффекта (различий, связи, изменений и т.д.). В большинстве случаев мы желаем опровергнуть нулевую гипотезу с помощью p-значения. Если p окажется ниже уровня значимости (например, p<0.05), делаем вывод о наличии статистически значимого эффекта. ❗️Самое важное: каждый критерий проверяет совершенно определенную нулевую гипотезу. Например: 🔸t-тест Стьюдента проверяет, равны ли средние значения показателя в 2 независимых группах, 🔸тест Манна-Уитни (при соблюдении определенных условий) - равны ли в сравниваемых группах вероятности того, что случайно выбранное значение из одной популяции превышает случайно выбранное значение из другой популяции, 🔸коэффициент корреляции Пирсона проверяет гипотезу об отсутствии линейной связи… И так далее. Из этого следует несколько практических рекомендаций: 1️⃣ Критерии не являются взаимозаменяемыми при решении конкретной задачи. У каждого критерия - своя гипотеза. Например, если вы хотите доказать, что средний уровень показателя выше в одной группе, чем в другой - используйте t-тест Стьюдента. И пусть вас сильно не беспокоят выбросы или асимметрия данных. При проверке «своей» гипотезы критерии обычно устойчивы к особенностям распределения и дают предсказуемые результаты. «Чужие» гипотезы критерии иногда тоже переваривают, но ненадежно. Поэтому логично, что если мы будем проверять равенство средних значений с помощью теста Манна-Уитни - он с этой задачей будет справляться хуже, чем t-тест. В свою очередь, t-тест не подходит для проверки гипотезы, соответствующей тесту Манна-Уитни. 2️⃣ Замена одного критерия на другой означает замену проверяемой гипотезы, что противоречит современному подходу к выбору методов анализа клинических данных: 📌 сначала, на этапе планирования нужно сформулировать исследовательский вопрос и выбрать проверяемую гипотезу, 📌 только после этого выбираем критерий, подходящий для проверки этой гипотезы. Если в процессе анализа данных t-тест Стьюдента нам показался неподходящим, мы не можем просто так взять вместо него тест Манна-Уитни. Вначале следует изменить исследовательский вопрос, то есть по сути перепланировать исследование! 3️⃣ Такие допущения, как нормальность распределения или асимметрия, наличие выбросов - имеют значение! Но не на этапе анализа, а на этапе планирования исследования. Например, мы предполагаем, что наши данные будут включать слишком высокие или низкие значения - выбросы, которые, оказывают большое влияние на средний показатель. В таком случае мы можем сразу отказаться от сравнения средних. И запланировать сравнение вероятностей бОльших значений с помощью устойчивого к выбросам теста Манна-Уитни. А если выбросы важны для нас? Например, в обеих группах большинство пациентов имели нормальные значения уровня Hb, но в 1-й группе у нескольких пациентов отмечалась выраженная анемия, как побочное явление. Тогда тест Манна-Уитни может «не разглядеть» разницу, а вот t-тест сможет найти статистически значимое снижение среднего уровня Hb в 1-й группе. 4️⃣ Вывод о результатах применения критерия делается с учетом проверяемой им гипотезы. Например, вывод после сравнения уровня Hb с помощью t-теста Стьюдента может выглядеть так: Средний уровень Hb в крови у пациентов основной группы был статистически значимо выше, чем в группе контроля. Конечно, такой вывод будет некорректен, если использовался критерий Манна-Уитни, который не сравнивает средние значения. 5️⃣ В разделе «Материалы и методы» обосновываем выбор критериев проверяемой гипотезой или исследовательским вопросом, а не нормальностью или другими особенностями данных. Например, можно написать так: Уровень Hb в крови был представлен средними значениями. Их различия оценивались с помощью t-теста Стьюдента. Или: Группы сравнивались по вероятности более высоких значений уровня Hb в одной из них, статистическая значимость различий оценивалась с помощью теста Бруннера-Мюнцеля.

😁

Свершилось! На конференции «Белые ночи» в СПб встретились с коллегами, с которыми уже не первый год общаемся в наших статистических чатах в оффлайне! Было очень душевно, тепло и позитивно. И очень полезно! Обсудили множество разных вопросов, о чем-то подискутировали, о чем-то, как обычно, поспорили, но все очень по-доброму🤗 Конечно, нашей главной задачей было участие в секции, посвященной систематическим ошибкам. Один из вопросов, который сегодня обсуждался - насколько и в каком объеме нужны врачу знания о систематических ошибках в исследовании в частности и знания по статистике в целом. И это было не просто праздное обсуждение - ждите в обозримом будущем наши совместные активности для врачей, не занимающихся наукой, но желающих по-другому взглянуть на медицинские исследования. Всем коллегам большой привет, очень рад был нашей встрече, горжусь знакомством с вами!🤝

🎓 Для всех, кто хочет: 💡 разобраться с основными статистическими понятиями и алгоритмами, 💡 уверенно работать в статистической программе StatTech, 💡 самостоятельно обработать данные своего исследования и правильно интерпретировать полученные результаты, 💡 наконец-то дописать свою диссертацию или статью и быть готовым ответить на любые вопросы научрука и рецензентов, касающиеся статистики… …мы записали видеокурс по статистике и разместили его на платформе GetCourse! Программа курса включает 24 урока по следующим темам: 🔸 Правила оформления базы данных 🔸 Сбор данных с помощью опросов 🔸 Настройка и преобразование переменных в базе 🔸 Описательная статистика 🔸 Сравнение независимых групп 🔸 Сравнение связанных групп (анализ «до-после») 🔸 Корреляционный анализ 🔸 Парная линейная регрессия 🔸 Анализ выживаемости 🔸 Анализ временных рядов 🔸 Расчет объёма выборки Каждый урок состоит из видеозаписи длительностью примерно 10-20 минут. Одни уроки посвящены теоретическому разбору статистических понятий и методов, на других я демонстрирую, как выполнить тот или иной вид анализа в программе StatTech. В конце каждой темы можно выполнить тестовое задание. Всем успешно завершившим курс выдается именной сертификат (без баллов НМО). ❗️Важно: Этот курс можно проходить в своем режиме: доступ к курсу не ограничен по времени, а записи можно смотреть в любой последовательности. Ссылка на курс здесь, а также на главной странице программы Статтех. Желаем всем участникам приятного и полезного обучения!❤️

В качестве послесловия. Во-первых, если вы думаете, что я долго и с трудом искал все эти примеры, переработав невероятное число статей, то это не так. Наоборот, ошибки в описании материалов и методов, к сожалению, встречаются так часто, что взяв всего несколько статей из журнала не из первого квартиля, можно найти едва ли не все из них. Во-вторых, разные ошибки при описании материалов и методов часто «дружат» друг с другом, встречаясь одновременно в одной и той же статье. В-третьих, может показаться, что мы уделяем этим ошибкам избыточное внимание. В конце концов, это всего лишь «Материалы и методы»… Но если мы не можем понять, в какой программе авторы делали расчёты и насколько они владеют навыками статобработки, возникает недоверие ко всей научной работе в целом. Могу отметить, что практически во всех цитируемых работах мы также наблюдали грубые ошибки в главном разделе - результатах исследования. Так что это все связано и поэтому имеет большое значение. Если вам понравилась эта тема, оставьте реакцию или комментарий, мы будем благодарны! И позже сделаем ещё один пост - про ред флаги в разделе «Результаты».

Продолжаем тему ред флагов при прочтении раздела «Материалы и методы». В этом посте - причины заподозрить некачественный анализ по описанию статистических методов. 🚩 Ошибочные, несуществующие названия критериев, терминов. Букву t в названии теста Стьюдента сложно перепутать с другой, а вот критерию хи-квадрат Пирсона часто достается! Греческую букву «хи», χ авторы заменяют на «кси», ξ. Запрос в Elibrary выдал более 500 статей, где использовался мифический критерий «кси-квадрат». Один из примеров представлен ниже: В качестве критерия связи использовался кси-квадрат Пирсона, оценивалась его асимптоматическая двусторонняя значимость. (Социальные аспекты здоровья населения, 2015) В этом же примере также встретилась забавная ошибка, характерная для медицинской статьи: вместо статистического признака «асимптотическая» (означающего один из способов определения p-значения, исходя из предположения о стремлении N к бесконечности), авторы использовали более привычный, но, к сожалению, совершенно неуместный термин «асимптоматическая». 🚩 Представление количественных данных с помощью стандартной ошибки (m, SE) вместо стандартного отклонения (SD). Меня, кстати, когда-то именно так учили описывать количественные показатели. Был такой общепринятый шаблон в 90-х и начале 00-х: «Эм большая плюс-минус эм малая». Но познакомившись с руководствами, в частности, такими как «Statistical Analyses and Methods in the Published Literature (SAMPL)», где черным по белому написано: «Do NOT use the standard error of the mean (SE) to indicate the variability of a data set. Use standard deviations, inter-percentile ranges, or ranges instead», я стал использовать только SD рядом со средним значением. Однако работы с «M±m» до сих пор встречаются, например: Результаты представлены в виде ошибки среднего арифметического (М) и стандартной ошибки средней (±m). (Вятский медицинский вестник, 2026) В этом примере кроме m также дано странное определение для среднего значения М: ошибка среднего арифметического. Скорее всего, это опечатка, но очень жаль, что ни авторы, ни рецензенты её не заметили и не исправили. 🚩 Непонятные предложения с искаженным смыслом, словосочетания из не подходящих друг к другу слов Здесь можно найти много интересных выражений, типа «непараметрическое» или «неправильное» распределение (вместо «ненормальное»), «многомерный регрессионный анализ» (вместо «многофакторный») и др. Или вот ещё нестандартный пример: Качественный анализ результатов осуществляли с помощью критерия хи-квадрат. (Вятский медицинский вестник, 2026) Предположу, что на самом деле речь идёт об анализе качественных данных, но от перестановки слов смысл потерялся. Можно подумать, что авторы либо решили похвастаться высоким качеством проведенного статистического анализа, либо использовали термин «качественный анализ», который в социологии противопоставляется количественному (правда, статанализ как раз относится к количественному, а не качественному). 🚩 «Достоверные» вместо «статистически значимые» В статье Зорина Н.А. «Достоверность» или «Статистическая значимость» - 12 лет спустя» (2011) даны подробные комментарии, почему нельзя путать эти два термина. Это хорошо известно большинству учёных, но на практике мы все ещё часто встречаем работы с использованием слова «достоверные» как синонима выражения «статистически значимые». Например: Статистически достоверными различия считались при p<0,5. (Ульяновский медико-биологический журнал, 2025) И вновь вместе с одной ошибкой мы видим и другую: p-значение сравнивалось с 0,5 (это не опечатка, в результатах действительно использовался этот уровень). Конечно, автор может выбирать произвольный уровень значимости. Однако при этом предполагается, что он будет меньше 0,05, например, 0,01 или 0,001. Выбор такого высокого порога, как 0,5, практически лишает авторов контроля над ошибкой I рода и делает результаты совершенно неопределенными.

❗️Как избежать ошибок, связанных с неправильным указанием статистических программ? 1️⃣ Будьте честными: укажите ту программу, которой действительно пользовались. Название и версию программы обычно можно посмотреть в ней самой при запуске или во вкладках «Справка», «О программе». Выполнили все расчёты на бумажке? Так и напишите, не надо ничего выдумывать. 2️⃣ Не старайтесь повысить качество своей работы за счет одновременного упоминания нескольких программ, если на самом деле работали только в одной из них. В данном случае количество в качество не переходит. 3️⃣ Не переписывайте раздел с описанием программ из чужих работ, как иногда советуют старшие коллеги. Пишите только про свой опыт. Собственно, можно было обойтись только первым пунктом. Честность - это наше всё. Продолжение следует…

🚩 Указана сильно устаревшая версия программы или, наоборот, несуществующая версия из будущего Статистическую обработку материала проводили с помощью программы STATISTICA 12.0 (StatSoft Inc., США) и MedCalc (версия 9.3.5.0). (Инфекция и иммунитет, 2024) Версия программы MedCalc 9.3.5.0 выпущена аж в 2007 году и совместима с Windows не позднее версии Vista. Для 2024 года - это уже морально устаревшая версия. Расчет и оценка полученных результатов проводились на IBM-совместимом компьютере с операционной системой Windows XP с использованием программного пакета MS Excel 2017 (Microsoft), SPSS 12.0.2 и Statistica 20. (Репродуктивная медицина, 2024) Во-первых, авторы использовали компьютер с очень старой операционной системой. Это, конечно, возможно, у нас на кафедре тоже есть один несписанный компьютер с Windows XP, правда, мы им не пользуемся. Но установить MS Excel 17 на Windows XP - невозможно по двум причинам. Первая: максимальная версия, совместимая с этой ОС - MS Excel 10. Вторая: MS Excel 2017 - не существует, есть только Excel 2016 и Excel 2019. Во-вторых, у авторов, похоже, есть машина времени. Иначе никак не получится объяснить, где они смогли найти 20 версию программы STATISTICA, у которой в апреле 2026 года вышла пока только версия 14.4. Для осуществления статистического анализа полученной информации применялся программный комплекс «Microsoft Office 2000Pro» под операционной системой Windows OSR 2 на персональном компьютере PC Intel Pentium-166 (Microsoft Office 2010 Professional, 2010). Кроме того, использовались специализированные программы для статистического анализа данных «STATISTICA 12.0» и MedCalc 23.2.1 (Software, США). (Медицинский вестник Юга России, 2026) Пример похож на предыдущий. Но здесь ещё указан компьютер, и какой! Pentium-166 - это процессор I поколения! Мой первый компьютер, который я купил у своего друга в 2001 году (то есть он к тому времени уже был подержанный), был Pentium III поколения. А здесь в распоряжении авторов оказался настоящий раритет. Без сомнений, на таком процессоре будет отлично работать Windows 95 OCR 2, это популярная комбинация для компьютера 90-х годов. И MS Office 2000 Pro тоже установить можно. Но вот представить MS Office 2010, STATISTICA 12.0 и MedCalc 23.2.1 на такой восхитительно древней машине можно разве что в волшебном сне. 🚩 Избыточное количество использованных программ Попробуем привести аналогию из медицины. Представьте, что в поликлинику обратился пациент с небольшим порезом на пальце. И для его лечения был собран консилиум из трех академиков, которые совместно провели обработку раны. Вот так же абсурдно выглядит использование в одной работе нескольких мощных программ для решения тривиальных статистических задач. Например: Статистическая обработка данных проводилась с использованием программного обеспечения Excel 2019, SPSS Statistica v. 26 (IBM, США), MedCalc v. 20.104 и JMP Pro 17 (SAS, США).(Российский кардиологический журнал, 2024) В этой работе использовались описательная статистика, регрессия Кокса и ROC-анализ. Исчерпывающие возможности по проведению всех этих видов анализа есть у каждой программы: SPSS, MedCalc и JMP. С какой целью использовались все они в одном исследовании - загадка. Для обработки полученных данных использовали программу STATISTICA 12.0 (StatSoft Inc., США), SPSS 21.0, MedCalc (версия 9.3.5.0). (Артериальная гипертензия, 2022) Представительный набор из трех статистических программ использовался для расчета трех критериев: Манна–Уитни, Краскела–Уоллиса, хи квадрат Пирсона с поправкой Йейтса.