分层随机化中，我们在进行分层后最终根据患者的不同特征把患者分为了各个亚组，再此分为了4个亚组，然后根据治疗方案（纳入治疗组还是对着组）对患者进行简单随机化。
但是，当总体样本量或每个亚组的样本量的不大时，在每个亚组进行简单随机化容易产生两组间治疗组及试验租的患者发生不平衡的情况（比如10个人随机分组，很容易出现一组7人一组3人的情况）。这时，我们可以引入区组随机化。比如，研究对象共计80例患者，所有层及水平均等分入组，每个亚组20例患者。如果对20例患者进行简单随机化很容易产生一组患者人多，一组患者人少的情况。这时候我们利用区组随机化，比如可以设定组的大小为4，强制前4个患者2个治疗组2个对照组，这样可以解决此类问题。
但是如果固定组的大小，每个组别的最后患者就会知道期分组情况，比如下图，固定区组大小为4，最后的患者再未进行分组前就能知道期为B治疗方案，不利于隐蔽分组的实现。
R语言中的blockrand包在对患者进行分层后，可以对每个层内的每个水平患者进行区组大小不固定的随机化，如下图
医科看到，前这四个患者的组大小为4，后续为2。而此分组大小是软件根据每个亚组的人数随机产生的。这样，就无法提前判断患者的入组情况。
详细说明网站
https://rdrr.io/cran/blockrand/man/blockrand.html
R语言下进行分层卡方检验方法和过程如下：t.test t检验
wilcox.test wilcox检验
prop.test
binom.test 贝努力试验检验
chisq.test 卡方检验
fish.test fisher精确检验
ks.test科尔莫哥罗夫-斯米尔诺夫检验
shapiro.testshapio-wilk正态分布检验
pp.test. phillips-perron检验
quada.test quade检验
friedman.test friedman秩和检验
R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
R语言中实现层次聚类模型大家好！在这篇文章中，我将向你展示如何在R中进行层次聚类。
什么是分层聚类？
分层聚类是一种可供选择的方法，它可以自下而上地构建层次结构，并且不需要我们事先指定聚类的数量。
该算法的工作原理如下：
将每个数据点放入其自己的群集中。
确定最近的两个群集并将它们组合成一个群集。
重复上述步骤，直到所有数据点位于一个群集中。
一旦完成，它通常由树状结构表示。
让我们看看分层聚类算法可以做得多好。我们可以使用hclust这个。hclust要求我们以距离矩阵的形式提供数据。我们可以通过使用dist。默认情况下，使用完整的链接方法。
这会生成以下树形图：
从图中我们可以看出，群集总数的最佳选择是3或4：
要做到这一点，我们可以使用所需数量的群集来切断树cutree。
现在，让我们将它与原始物种进行比较。
它看起来像算法成功地将物种setosa的所有花分为簇1，并将virginica分为簇2，但是与花斑杂交有困难。如果你看看显示不同物种的原始图，你可以理解为什么：
让我们看看我们是否可以通过使用不同的连接方法更好。这一次，我们将使用平均连接方法：
这给了我们以下树状图：
我们可以看到，群集数量的两个最佳选择是3或5.让我们用cutree它来将它降到3个群集。
我们可以看到，这一次，该算法在聚类数据方面做得更好，只有6个数据点出错。
我们可以如下绘制它与原始数据进行比较：
这给了我们下面的图表：
内部颜色与外部颜色不匹配的所有点都是不正确聚类的点。
