帮助文档与用户指南

欢迎来到 Synthetic Data Generator 的官方文档中心。本手册旨在为您配置各类统计学模块的参数提供全面指导，从而生成稳健且具备学术严谨性的虚拟数据集。

1. 总览与通用界面

主仪表板是各个模块选择的核心枢纽。用户可以在此处定义全局样本量、组别名称（如：控制组、实验组）以及跨学科的变量类型（数值型或分类变量）。

2. 独立样本 T 检验

专为比较两个不同组别均值的横断面研究设计。广泛应用于临床试验（例如治疗组与安慰剂组间的疗效差异）以及社会学调查中。

• 组别配置: 可独立设置每组的样本量 (N)、均值 (μ) 和标准差 (σ)。
• 分布控制: 提供强制正态分布拟合的选项。
• 数据输出: 生成兼容 SPSS 的结果，包含方差齐性检验（Levene's Test）及双尾显著性 P 值。

3. 配对样本 T 检验

用于对同一对象进行两次测量的纵向研究或交叉研究（例如：前测与后测比较）。该模块侧重于模拟配对观测值之间的均值差。

• 配对变量: 分别配置“配对变量1”和“配对变量2”的均值及标准差。
• 目标控制: 指定精确的配对数量及目标 P 值（如 <0.05），生成具有统计学意义的配对差值。

4. 单因素方差分析 (One-Way ANOVA)

适用于比较三个或更多独立组别的均值。底层算法通过控制组内方差与组间差异的比例，精确匹配目标 F 值。

• 多组别支持: 动态添加多个组别（如控制组、模型组、高剂量组）并赋予独立参数。
• 事后检验 (Post-Hoc): 自动计算 Tukey HSD 事后检验结果，详细展示配对组间的均值差、标准误和 95% 置信区间。

5. 双因素方差分析 (Two-Way ANOVA)

考察两个自变量（因子）对一个连续型因变量的影响。是析因设计实验中评估主效应与交互效应的必备工具。

• 因子矩阵: 设定因子 A 和因子 B，并定义交叉分组参数。
• 交互效应: 独立控制行、列及其交互项的显著性水平，以模拟复杂的科研假设。

6. 重复测量方差分析

配对 T 检验在三个及以上时间节点上的延伸拓展。极其适合长期随访的纵向研究（例如：基线、第1个月、第3个月的指标追踪）。

7. 多元线性回归

核心预测模型工具。它模拟一个受多个自变量 (X) 影响的连续型因变量 (Y)，自变量支持连续、分类或有序类型。

• R² 控制范围: 定义整体模型的解释力区间（例如 0.40 ~ 0.60）。
• 变量相关性: 指定个体预测变量的影响方向（正向/负向）及期望的 P 值阈值。

8. 二元 Logistic 回归

处理结局变量为二分类（如发病/未发病，存活/死亡）分类问题的核心工具。在流行病学中广泛用于危险因素筛查与识别。

• 交叉频率矩阵: 精确配置分类预测变量（如吸烟史、性别）在不同结局状态下的分布频率。
• 显著性与 OR 值: 锁定 P 值以确保生成的虚拟数据精准体现出研究假设所期望的比值比 (Odds Ratio)。

9. Cox 比例风险回归 (生存分析)

生存分析领域的“金标准”。在模拟至事件发生时间 (Time-to-Event) 数据的同时纳入右删失考量，帮助研究人员评估各类协变量对生存时间的复合影响。

• 时间与事件配置: 定义总样本量、实际事件发生数（死亡/失败案例）以及全局生存跨度（如 1~60 个月）。
• 风险比 (HR): 控制各个自变量是增加风险 (HR > 1) 还是作为保护因素降低风险 (HR < 1)。

10. 非参数检验 (2 个独立样本)

当数据严重偏态或不满足正态分布假设时的理想替代方案（如 Mann-Whitney U 检验）。通过秩次逻辑有效评估两组间的分布中位数差异。

11. 非参数检验 (K 个独立样本)

作为 Kruskal-Wallis H 检验的对应模块。为三个或更多独立组别快速生成偏态的连续变量或有序分类数据。

12. 卡方检验 (Chi-Square)

判断两个离散型分类变量之间是否存在显著关联。是人口统计学交叉表（Cross-tabulation）分析和频率研究的最基础工具。

13. 相关性分析 (Correlation)

通过强制设定目标相关系数（r 值）和双侧显著性，模拟双变量之间的线性或单调关系（支持 Pearson 及 Spearman 算法）。

14. ROC 曲线分析

用于评估连续型检验变量在区分两种状态（如阳性 vs. 阴性诊断）时的诊断效能与准确度。

• 可视化反馈: 实时绘制灵敏度 (Sensitivity) 与 1-特异度 (1-Specificity) 的曲线。
• AUC 精确控制: 直接拖拽调节阳性组与阴性组的均值和标准差，从而动态命中目标曲线下面积 (AUC)，例如 0.769。