数据类型总体样本与抽样

更新：2026-10-13；状态：可用；验证范围：教材、原始研究或官方文档核对；概念与方法说明。

先确定观测单位、变量类型和抽样来源，再决定统计问题与推广范围。

先分清谁是一条观测

总体是希望讨论的对象集合，样本是实际观测的对象。参数描述总体，例如总体均值；统计量由样本计算，例如样本均值。研究希望推广到所有成年个体，实际只测了某实验室的20个体时，样本来源限制了结论，计算复杂并不能消除选择偏差。

生信矩阵的一列不一定是一个独立个体：它可能是供体、细胞、技术重复、时间点或混合样本。先记录这些层级，见生物学重复与技术重复。

变量类型决定哪些操作合理

类型	例子	需注意
无序分类	处理组、组织类型	数字编码1/2/3不意味着类别间有距离
有序分类	等级评分	顺序有意义，间距不一定相等
连续数值	身高、经过合理处理的强度	单位、偏态、检测范围
非负整数计数	读段数、UMI数	计数不是任意正态连续值
比例或二分类	检出与否、细胞类型比例	分母、边界及组成约束
带删失的时间	随访事件时间	不能把未发生事件直接当完整观测时间

同一个变量在不同阶段可能改变表示：原始计数、对数变换值和标准化残差不是同一种检验输入。

抽样与随机化不同

随机抽样帮助定义从样本推及总体的方式；随机分配处理帮助减少组间混杂。便利抽样、分层抽样、家系抽样和病例对照抽样有不同结构。测了很多细胞不能弥补只有一个供体；训练集很大也不能保证来自目标人群。

建立 sample_id, subject_id, group, batch, time 表，写明纳入和排除规则。下一步读描述统计与分布图及统计方法选择与分析计划。教材入口：OpenIntro Statistics。