卫生统计学作为公卫执业医师笔试的“硬骨头”，其核心价值在于用数据逻辑支撑公共卫生决策 ，假设检验、回归分析与样本量计算三者环环相扣 ，既是考试高频考点，更是实践中“用数据说话 ”的基石 。
假设检验是统计推断的“试金石 ” ，其本质是通过小概率事件反证研究假设 ，考生需吃透“原假设与备择假设的对立”“P值的统计学意义（而非错误解读为‘原假设正确的概率’） ”及“Ⅰ类与Ⅱ类错误的取舍逻辑 ”，在疫苗效果评价中 ，若P<0.05拒绝“疫苗无效”的原假设 ，需结合效应量（如RR值）判断实际意义，避免“统计显著 ”等同于“临床显著 ”的误区 ，理解“检验效能（1-β）”的概念 ，更能帮考生预判研究能否真实捕捉到潜在效应，避免假阴性结果的误导 。
回归分析则是探索变量关系的“透视镜 ”，公卫实践中以Logistic回归和线性回归最常用 ，关键在于把握“核心解释变量与控制变量 ”“模型拟合优度（如R² 、 Hosmer-Lemeshow检验）”及“结果的专业解读” ，比如研究吸烟与肺癌的关系，需通过回归系数控制年龄 、性别等混杂因素后 ，才能得出OR值对应的独立关联强度 ，考生需警惕“多重共线性 ”对模型稳定性的干扰，理解“哑变量设置 ”的分类变量量化逻辑 ，避免因模型误用导致结论偏差。
样本量计算是研究设计的“导航仪” ，直接关系结果可靠性，其核心在于明确四个参数：检验水准（α）、把握度（1-β） 、预期效应量及总体标准差 ，在横断面调查中 ，样本量取决于预期患病率与允许误差——患病率越低 、误差要求越小，所需样本越大 ，考生需熟练掌握公式推导逻辑 ，更要理解“伦理与成本的平衡 ”：样本量过大可能造成资源浪费，过小则无法回答研究问题，实际操作中 ，预实验或文献查阅获取效应量 ，是确保计算合理性的关键 。
三者并非孤立存在：假设检验依赖足够的样本量支撑检验效能，回归分析的结果又需通过假设检验验证统计学意义 ，唯有理解其内在逻辑 ，才能在笔试中灵活应对，更能在未来工作中让数据真正服务于公共卫生实践 。