正在加载页面内容
SOC 15-2041
生物统计学家把临床、公共卫生与生命科学问题转成可复核的研究设计、统计推断与限制说明，与医生和生命科学团队协作；其工作不等于数据录入，也不代替医生作诊疗判断。
一句话：这是一个以研究设计、统计分析、数据质量与结论边界为核心的专业岗位，产出是可复核的分析计划、结果与限制说明，而不是代替医生或监管方作决定。美国工资与就业数据口径为 Statisticians（SOC 15-2041）而非 15-2041.01 单列；中国大陆没有与该职业对应的全国职业级工资统计，本页据实标注而不代填数值。
学历、资格与岗位授权必须分别核对：O*NET 把该职业列为 Job Zone Five（SVP 8.0 及以上），受访者中 58% 认为需硕士学历、29% 认为需博士学历、13% 认为需学士学历；BLS 将统计师序列的典型入门学历列为硕士。这些是调查与公开资料口径，不是统一法定门槛；真实要求以雇主、资助方、伦理委员会与所在地法规为准，签字与数据访问权限又另需机构授权。
先暂停高额投入的条件：你还没有在监督下完成过一次从研究问题到分析计划、数据处理、结果解释与限制说明的完整闭环，或者只想用现成模型的输出换一个「显著」结论，不愿承担分析计划、数据质量与可追溯记录的责任；也不要把会用某一款统计软件、或修过几门统计课程，当作可以独立签署研究结论的证明。
生物统计学家（美国侧 O*NET-SOC 15-2041.01，Biostatisticians）把生物统计学理论与方法应用于生命科学研究：与医生、生命科学家或其他专业人员共同设计研究，计算临床研究的样本量，编写分析计划与分析结果说明，用统计软件编写代码分析临床或调查数据，并把结果与限制解释给研究团队、数据监查委员会或监管机构。它既不是数据录入岗位，也不承担诊断或处方责任。
生物统计学家的工作可分三类：一是研究设计与推断任务（与临床或生命科学团队明确问题与终点、计算样本量、选择分析方法、解释结果能支持到什么程度）；二是数据与计算任务（清洗与核对数据、编写分析代码、建立或维护生物数据数据库、监控试验数据质量）；三是沟通与文档任务（撰写分析计划、结果报告、向数据监查委员会或监管机构提交统计材料、参与方案评审与论文）。三者共享同一条可复核的证据链。
临床与流行病学研究任务
职业方向比较
下表比较的是生物统计学家与相邻职业，以及从相邻岗位转入的路径；判断依据是主要产出、责任对象与所需训练，而不是职业名称的相近程度。
| 职业方向 | 核心工作与产出 | 关键区别 | 更适合什么选择 |
|---|---|---|---|
| 若你想把方法本身与跨行业应用作为主线，优先考察统计学家；若你的兴趣集中在临床与生命科学问题，优先考察生物统计学。 | 两者方法基础相近，但生物统计学家默认面向生命科学、临床与公共卫生问题，需处理试验设计、受试者数据、伦理与监管语境；统计学家不以此为默认场景。 | 统计学家（Statisticians，SOC 15-2041.00） | 面向更广泛的统计推断与方法问题，产出以统计模型、方法说明与数据分析报告为主。 |
| 若你更愿意做端到端数据产品与预测优化，优先比较数据科学；若你更关心因果与效应估计的严谨性，优先考察生物统计学。 | 数据科学家更关注预测性能与产品化落地，评估标准常是模型指标；生物统计学家关注效应估计、不确定度与预先设定的推断问题，评估标准是结论能否支持研究判断。 | 数据科学家（Data Scientists，15-2051.00） |
AI 对职业的影响
结论：AI 与统计软件可以改变文献检索、代码草稿、数据清洗辅助、文档结构整理与图表初稿等环节，但没有官方证据表明它会取代研究设计与样本量确定、缺失数据处理决策、效应解释与结果签署责任。任务暴露、工具采用率与就业数量是三个不同概念。
在文献与既往方案检索、代码草稿与语法转换、数据字典整理、图表与摘要初稿这类可回滚环节，工具确实能提高速度。但工具不知道你的终点定义、缺失机制与复核要求，产出必须回到原始数据与分析计划逐条对照。
取决于机构的数据权限与伦理批准范围、受试者信息的访问控制，以及分析结果的复核与署名安排。技术可行不等于被允许用于可识别数据，也不等于团队已经采用。
任务暴露、采用程度与就业数量是不同测量对象。BLS 仍预测该统计分类 2025—2035 年增长 10%；同时研究设计与推断责任无法由工具承担，因此不能从暴露度推断岗位减少。
| 工作方向 | 任务 | 当前变化 | 人的控制点 |
|---|---|---|---|
| 研究设计与统计推断 | 与医生、生命科学家共同设计研究，确定终点与比较，计算临床研究样本量并撰写详细分析计划。 |
中国大陆薪资参考
职业对照：美国 O*NET-SOC 15-2041.01（Biostatisticians）；中国大陆无直接对应的职业细类代码，须按岗位实际职责归类。
职业分类：中国大陆《中华人民共和国职业分类大典（2022 年版）》没有与「生物统计学家」直接对应的细类；相关岗位可能落在药物临床试验、医院临床研究、公共卫生、生命科学研发或医疗健康数据等不同实体中，授权与合规要求随之不同，须按岗位实际职责判断。
证据不足：未取得与生物统计学家精确对应的全国职业月薪分布。
证据不足：未取得可核验的城市级职业月薪数据，本页不出示城市排名。
证据不足：未有官方或可核验来源支持其他城市的生物统计学家月薪区间。
美国薪资参考
直接回答：美国公开数据只提供 Statisticians（SOC 15-2041）口径的工资分布——2025 年时薪中位数 50.79 美元、年薪中位数 105,650 美元，年薪第 10 至第 90 分位为64,000 至 174,050 美元；2024 年就业 32,200 人，2024—2034 年预测增长 7% 或以上、年均职位空缺 2,000 个。这些数字描述统计分类，不是个人起薪承诺。
| 工资统计位置 | 年工资参考 | 换算边界 | 怎样理解这个位置 |
|---|---|---|---|
| 第 10 百分位 | 64,000美元/年（第 10 分位） | 官方折算，非个人月收入 | 第 10 分位为年薪 64,000 美元；这是分布的低端，不代表所有新人，也不构成起薪承诺。 |
| 第 50 百分位 | 105,650美元/年（中位数） | 非个人月收入 | 中位数为年薪 105,650 美元；它描述整个分布的中点，不代表个人实发收入。 |
职业适配指南
直接回答：更有解释力的适配信号是能把研究问题转成可检验的分析计划、愿意逐条核对数据与假设、接受结论被复核与修改，并在数据不足时明确说出结论的边界；对数学或编程的兴趣本身不足以证明胜任。
你可能更适合： 你能在研究问题不清楚时先追问终点与人群，把假设、分析口径与数据来源写成别人可核对的形式；你愿意在结果不利时如实报告，而不是调整口径直到出现显著结果。
这些情况需要慎重： 你把「模型跑通」当作结论成立，不愿核对缺失与假设，抵触复核或修改分析计划，或在数据不足时给出确定结论；也需慎重对待只想写代码而不愿承担结论责任的选择。
做一次入行练习： 找一份完全公开的数据集，写一页分析计划（问题、终点或目标量、精度依据、分析方法与限制），按要求完成一次分析与一份结果说明；请一位有经验的人挑战你的口径与结论，再判断自己是否愿意长期做这类工作。
工作压力、风险与职业边界
直接回答：主要风险包括研究设计或样本量不当导致结论不可靠、分析计划事后修改、数据质量与缺失处理不当、受试者信息泄露、申报材料责任边界不清，以及多方协作中的复核缺失；控制依赖预先设定的分析计划、清晰的权限与可追溯的记录。
证据范围：风险与边界条目依据 O*NET 15-2041.01 的官方任务与工作情境、BLS 就业与工资口径、O*NET 培训与教育信息，以及中国大陆人类遗传资源管理与个人信息保护的适用规定；不覆盖具体机构的内部制度。
典型场景：终点或比较定义不清、样本量假设与真实效应不符，或分析人群定义在研究开始后改变。
主要岗位：研究者、统计人员、资助方与受试者
可能后果：研究可能无法回答原问题，或在结论上系统性偏离真实效应。
降低风险：在研究开始前固定终点、人群与样本量假设，记录任何变更的理由与影响。
依据：career.source.onet-details · career.source.bls-outlook
入行、资格与职业发展
直接回答：美国路径通常以研究生层级统计或生物统计教育为基础，BLS 把统计师序列的典型入门学历列为硕士，O*NET 把该职业列为 Job Zone Five。实际进入方式取决于岗位类型——药物临床试验、医院研究、公共卫生或生命科学研发对训练与数据权限的要求不同，应以具体雇主的岗位说明与机构授权为准。
职业前景与相关职业转向
直接回答：公开数据支持的是 Statisticians（SOC 15-2041）口径 的判断——2024 年就业 32,200 人，2024—2034 年预测增长 7% 或以上、年均职位空缺 2,000 个；BLS 对数学家与统计师合计口径给出 2025—2035 年增长 10%、净增 3,400 个岗位。中国大陆没有该职业的全国工资与就业统计。
美国 · parent_occupation_proxy
32,200 人
就业规模
为 Statisticians（SOC 15-2041）的合并就业基数，包含该序列下的细分职业。
不能说明：描述的是统计分类而不是 15-2041.01 的精确人数，不能用于估计细分职业规模。
生物统计学家把生命科学、临床与公共卫生问题转成统计工作：与医生或生命科学家共同设计研究、计算样本量、撰写分析计划、清洗与核对数据、用 SAS 或 R 等编写分析代码、报告效应量与不确定度，并把结果与限制解释给研究团队、数据监查委员会或监管机构。
需要提前注意的风险包括设计与样本量不当、分析计划事后修改、数据质量与缺失处理不当、受试者信息泄露、申报材料责任边界不清，以及多方协作中的复核缺失；控制依赖预先设定的分析计划、清晰的权限与可追溯记录。
适配信号是能把研究问题转成可检验的分析计划、愿意逐条核对数据与假设、接受结论被复核与修改，并在数据不足时明确说出结论的边界；对数学或编程的兴趣本身不足以证明胜任。
一句话判断：生物统计学家不是「跑个回归就行」，而是把临床、公共卫生或生命科学问题转成可复核的研究设计、分析计划、统计推断与限制说明。美国侧对应 O*NET-SOC 15-2041.01，被标注 Bright Outlook，列为 Job Zone Five（需要大量准备）。核心边界是：你可以决定统计方法、分析口径与结果解释到什么程度，但不能替临床团队作医学判断，也不能把统计输出直接写成诊疗、放行或监管结论。
继续探索的信号：你愿意先把问题写成可检验的终点与假设、先算样本量再动手建模；能接受自己的分析计划、代码与结果被别人逐条复核；遇到缺失数据、方案偏离或结果无法解释时，愿意先停下来记录并说明限制，而不是先凑出一个好看的结论；对「这个结论最多能支持到什么程度」的兴趣，大于「模型跑没跑通」。
数据与计算任务
生物统计学家以生命科学中的研究与推断方法为核心：统计学家（15-2041.00）覆盖更广的统计方法领域但不以生命科学问题为默认对象；数据科学家更偏通用数据产品与预测建模；临床研究协调员负责试验现场执行与受试者管理；生物信息学家围绕组学数据的算法与流程；数学家以数学理论本身为产出。相近的岗位名称不代表责任可以互换。
| 维度 | 主要方向 | 比较方向 |
|---|---|---|
| 核心目的 | 用可复核的统计方法，让生命科学、临床与公共卫生研究的问题得到有依据、有不确定度说明的结论。 | 核心目的 |
| 主要对象与依据 | 对象是临床与调查数据、试验方案与生物学数据；依据是研究方案、统计分析计划、统计方法与适用的伦理与监管要求。 | 主要对象与依据 |
| 核心过程 | 设计研究、计算样本量、编写分析计划、清洗与核对数据、建模与推断、解释结果并记录限制。 | 核心过程 |
| 主要产出 | 可复核的统计分析计划、分析数据集说明、结果表格与图形、方法学描述、研究局限说明与申报用统计材料。 | 主要产出 |
| 责任主体 | 统计方法与分析结论由受训并获授权的生物统计人员负责；医学判断由临床研究者与医生负责；监管结论由监管机构作出；超出本人授权范围时应升级而不是自行决定。 | 责任主体 |
| 准入与许可 | 能否访问可识别受试者数据、能否签署统计报告、能否对外提交申报材料，由机构授权链、伦理批准与法规共同决定，不由职级或软件技能自行产生。 | 权限与批准 |
| 结论边界 | 统计结果说明的是给定设计与数据下可支持的推断及不确定度；它不等于临床有效性结论，也不替代医学、伦理或监管判断，且受样本量、缺失、多重比较与方案偏离影响。 | 结论边界 |
一份注明来源、授权范围与未决问题的确认记录。
与研究方案一致、可复现的统计分析计划。
他人可以重跑并得到同一结果的分析资产。
含区间、假设与局限说明的结果报告。
写明口径、版本与责任人的统计材料。
可追溯的计划变更与复核记录。
入职前至少核对六项：职业口径与岗位实体、学历与训练路径、统计方法与软件的实际使用范围、数据与受试者信息的访问授权、分析计划与记录的复审机制，以及真实报酬结构与工时安排。
职业口径
学历与训练路径
方法与工具
数据与隐私授权
记录与复审
| 围绕通用数据产品或预测模型工作，产出以特征、模型、评估指标与数据产品为主。 |
| 若你更愿意直接与人打交道并组织现场流程，可先比较临床研究协调；若你更愿意处理设计与推断问题，优先考察生物统计学。 | 临床研究协调员以现场执行与受试者管理为核心，生物统计学家以设计与推断为核心；两者在方案与数据上密切协作，但责任对象与所需训练不同。 | 临床研究协调员（Clinical Research Coordinators，11-9121.01） | 负责试验现场执行：受试者筛选与随访、知情同意、记录与监查配合。 |
|---|
| 若你更想写算法并处理组学数据，优先考察生物信息学；若你更想回答「这项研究能否支持结论」，优先考察生物统计学。 | 生物信息学家更偏算法、数据结构与生物学机制挖掘；生物统计学家更偏研究设计与统计推断，两者都可能处理大量数据，但问题类型与评价标准不同。 | 生物信息学家（Bioinformatics Scientists，19-1029.01） | 围绕组学与生物学大数据开发算法与流程，产出以计算流程、注释与生物信息学分析为主。 |
|---|
| 若你更享受理论推导与证明，优先比较数学方向；若你更愿意把方法落到真实研究问题上，优先考察生物统计学。 | 数学家以理论贡献与形式化证明为主要成果，生物统计学家以在具体研究中给出可解释的统计结论为主要成果。 | 数学家（Mathematicians，15-2021.00） | 以数学理论、证明与建模方法本身为产出，应用领域不限于生命科学。 |
|---|
| 若你愿意补足统计推断与程序设计训练并接受复核，可考虑转入；若只想换一个岗位名称而不愿补方法基础，落差会很大。 | 缺口通常不是生物或临床知识，而是概率与统计推断、研究设计、可复现计算与数据责任；做过实验或管过数据不等于能独立承担统计分析责任。 | 从生物医学实验或临床岗位转入 | 已有实验、临床或数据管理经验，希望转向研究设计与统计推断。 |
|---|
本页把生物统计学家与五个相邻方向放在同一组维度上比较：职业方向、核心工作与产出、关键区别，以及每种偏好更适合选择哪一个方向。相邻方向按各自的官方职业说明描述，不代表岗位名称可以互换。
结论：方向选择的依据是主要产出、责任对象与所需方法训练，而不是名称的相近程度；确定方向后，应逐项核对目标方向的学历要求、统计方法与软件的实际使用范围、数据访问授权与复审机制，并保留书面确认。
| 文献与既往方案检索、样本量公式与代码草稿可辅助生成。 |
| 判断设计是否能回答研究问题、样本量假设是否合理、分析计划是否需要预先注册。 |
| 临床与调查数据分析 | 用纵向分析、混合效应模型、逻辑回归与建模方法分析临床或调查数据并作出结论或预测。 | 建模代码补全、正则表达式与数据字典整理等可辅助。 | 核对缺失机制、模型假设与敏感性分析，判断结论能支持到什么程度。 |
|---|
| 数据质量与试验监查 | 监控临床试验或实验是否遵守既定程序，核对所收集数据的质量，设计或维护生物学数据库。 | 异常值筛查与一致性检查可自动化初筛。 | 判断异常是数据录入问题还是真实信号，决定是否需要质疑或核查原始记录。 |
|---|
| 结果呈现与分析报告 | 准备表格与图形呈现临床数据或结果，撰写分析结果说明供研究方案、报告或发表使用。 | 图表初稿、格式统一与摘要草稿可辅助生成。 | 核对图表口径与统计量是否与分析计划一致，确认限制说明是否完整。 |
|---|
| 监管与委员会沟通 | 为数据监查委员会、监管机构、管理者或客户准备统计材料，解释方法学与口径问题。 | 材料结构整理与模板复用可辅助。 | 决定哪些内容可以对外陈述，确认口径、版本与责任人，并对陈述负责。 |
|---|
| 咨询与方案评审 | 向客户或同事提供生物统计咨询，评审研究方案并推荐合适的统计分析方法。 | 方法选项梳理与资料检索可辅助。 | 判断推荐的方法是否适合该设计与数据，并说明其假设与局限。 |
|---|
| 教学、督导与团队协作 | 讲授生物统计课程或研讨班，向统计助理或程序员分配工作，参与论文与会议报告准备。 | 课程材料与讲稿初稿可辅助生成。 | 对教学内容、示范案例与团队产出质量负责。 |
|---|
五张证据卡分别说明来源、研究对象、结论与使用限制；它们支持官方职责、任务口径、招聘技术信号、就业预测与任务暴露研究，不是 AI 替代率或岗位数量预测。
下表比较三组工作方向在自动化影响上的差别：哪些环节可被辅助，哪些判断与责任仍由人承担。
AI 主要改变文献与既往方案检索、方法选项梳理与代码草稿可辅助生成。
仍由人负责决定终点与比较、确认样本量假设、预设缺失数据与敏感性分析的处理方式，并对结论能支持到什么程度负责。
AI 主要改变代码补全、语法转换、正则表达式与数据字典整理可自动初筛。
仍由人负责核对原始数据与缺失机制、确认模型假设是否成立、保留可复现的版本与日志，并承担结果可追溯责任。
AI 主要改变摘要草稿、格式统一与图表说明初稿可由工具生成。
仍由人负责不得把模型输出当作统计结论或监管陈述，须逐条对照原始分析核对并由责任人署名。
工具进入分析流程时，人的控制点应按以下五步固定下来；任何一步缺失都不应扩大使用范围。
先确认本次研究的统计问题、分析人群、数据访问授权与机构规则。
只把可回滚、可复核的辅助环节交给工具，例如文献检索、代码草稿与文档结构整理。
逐条回看工具输出与原始数据和分析计划，判断是否偏离预设口径或遗漏缺失机制。
保留数据版本、代码、分析日志与人工修改理由，使结论可追溯。
分析计划、结果解释与对外提交材料由具备训练并获授权的人签署和承担。
未复核的摘要或推断可能误导研究判断，并越过统计结论与医学结论的边界。
控制方式：把工具输出标记为草稿，逐条对照原始数据与分析计划后再采纳。
临床与遗传数据常含可识别信息，泄露可能侵害受试者权益并违反伦理与法律要求。
控制方式：按伦理批准与数据使用协议处理；上传前确认处理者、存储位置、保留期限与删除可行性。
无法复核的分析流程不能作为研究结论依据，也无法在核查时重现。
控制方式：记录工具名称与版本、输入数据范围、人工修改理由与决定人。
把不同口径或不同人群的数据并列比较，会得出无法支持的结论。
控制方式：在分析计划中固定口径与人群定义；变更时记录理由与影响范围并重新核对既有结论。
责任不明的分析在申报或审计时会造成延误，也可能让错误结论进入研究材料。
控制方式：在分析开始前确认复核人与升级链；超出本人训练与授权范围时停止并上报。
先用完全虚构的数据完成一次从研究问题到分析计划、结果与限制说明的闭环，再谈工具与证书；同时核对目标岗位属于药物临床试验、医院临床研究、公共卫生还是生命科学研发，四者的数据授权、复核链条与合规要求不同。
把生成式工具用在文献检索、代码草稿、数据字典整理与文档结构等可回滚环节；研究设计、分析计划、缺失数据处理、结论口径与签署责任仍须由人负责。
引入工具前先明确可用环节、数据权限与伦理批准范围、访问控制、留存与销毁规则、出错升级路径和人工复核责任人，保证任何输出都回到可追溯的分析记录。
把训练重点放在概率与推断、研究设计、可复现计算、数据伦理与记录质量上，同时训练对生成内容的来源核实、偏差识别与不确定性表达能力。
不会以整体取代的方式发生：确定研究问题与终点、计算样本量、判断缺失机制、解释效应与不确定性、签署分析结论仍需由受训并获授权的人负责；工具改变的是可回滚的辅助环节。
来源：O*NET 职业摘要 / 详细资料原始资料 ↗
需要。O*NET 任务包含用统计软件编写分析代码，雇主招聘技术信号以 SAS 66% 与 R 61% 为主，Python 17%、SQL 9%；真正的门槛是能用代码复现分析并接受复核，而不是会多少种语言。
来源：O*NET 技术清单 / 详细资料原始资料 ↗
文献与既往资料检索、代码草稿与语法转换、数据字典与正则整理、图表与文档初稿等；这些环节可回滚、可复核。
来源：O*NET 详细资料 / 本页方法说明原始资料 ↗
BLS 对数学家与统计师合计口径的 2025—2035 年预测为增长 10%、净增 3,400 个岗位；这是统计分类口径，不是对 15-2041.01 的预测，也不构成个人就业保证。
来源：BLS《Mathematicians and Statisticians》职业展望手册原始资料 ↗
不能。统计报告的签署、数据访问与对外提交由机构授权与法规决定；工具既不能承担专业责任，也不能取得伦理或监管批准。
来源：O*NET 职业摘要 / 本页方法说明原始资料 ↗
没有任何官方来源给出这样的年份。任务暴露、采用率与就业数量是不同概念，本页不做岗位消失年份预测。
来源：本页方法说明原始资料 ↗
优先学概率与统计推断、研究设计与样本量、可复现计算与数据伦理，并完成一次受复核的完整分析；工具能力排在可复核的方法能力之后。
来源：O*NET 培训与教育信息 / 自定义职业档案原始资料 ↗
本职业内部的方向差异主要体现在数据来源与责任场景：药物临床试验、医院临床研究、公共卫生监测、生命科学研发与医疗健康数据，其终点定义、数据授权、复核链条与合规要求各不相同；选择方向时应核对实际数据权限与复审机制，而不是只看岗位名称。
中国大陆目前没有单列生物统计学家的全国职业工资统计；本页只展示可核对的行业与岗位大类口径、统计范围与缺口。
| 学历背景 | 岗位方向 | 说明与核对建议 |
|---|---|---|
| 统计、生物统计、应用数学或流行病学等相关专业本科（在读／应届） | 医药企业与研发外包机构的统计编程或数据管理初级岗位；医院科研部门的数据整理与统计支持岗位。 | 通常不独立承担分析计划与结论签署；应核对带教安排、数据访问权限与复核流程。 |
| 硕士层级（生物统计、统计或流行病学方向） | 药物临床试验的生物统计岗位；医院临床研究中心、疾病预防控制机构的统计岗位。 | 临床试验相关岗位须遵守药物临床试验质量管理规范与伦理审查要求，数据访问权限按机构授权；涉及人类遗传资源的活动另须遵守审批、备案与安全审查规定。 |
| 具备医学或公共卫生背景并接受系统统计训练 | 医院、公共卫生机构与科研院所的临床研究统计岗位。 | 医学判断仍由临床研究者负责；统计人员不承担诊断或治疗决策。 |
| 海外生物统计学历或认证 | 跨国药企、外资研发外包机构或跨境研究项目的统计岗位。 | 海外学历与认证可作为能力材料；涉及人类遗传资源与受试者信息时，仍须遵守中国大陆的审批、备案与安全审查要求。 |
比较不同机会时应确认机构性质、数据访问权限、复核责任与计酬方式（年薪、项目制或服务合同），不要把行业平均数当作个人工资预期。
医药研发外包、生命科学研发与试验检测岗位可能归入该门类；该门类平均工资按行业汇总，不单列本职业，本模块不据此推算本职业工资。
医院临床研究、疾病预防控制与公共卫生机构的统计岗位可能归入该门类；同样只有行业平均数，不能表示本职业工资。
医疗健康数据、医学信息与软件类机构中的数据科学岗位可能归入该门类；同样只有行业平均数，不能表示本职业工资。
AI 与统计软件会改变检索、代码与文档等辅助环节，但不改变中国大陆对该职业的统计口径：统计缺口与 AI 无关。
| 第 90 百分位 | 174,050美元/年（第 90 分位） | 官方折算，非个人实发工资 | 第 90 分位为年薪 174,050 美元；高端通常与资历、行业与职责范围相关，不代表普遍水平。 |
|---|
薪资 · 10 分位：64,000美元/年（第 10 分位）；对应时薪第 10 分位 30.77 美元，为分布下限，不是入门起薪的承诺。；O*NET 展示的 BLS 2025 年工资分位
薪资 · 25 分位：82,220美元/年（第 25 分位）；同口径时薪第 25 分位为 39.53 美元。；O*NET 展示的 BLS 2025 年工资分位
薪资 · 中位数：105,650美元/年（中位数）；对应时薪中位数 50.79 美元，中位数不等于入门工资。；O*NET 展示的 BLS 2025 年工资分位
薪资 · 75 分位：141,490美元/年（第 75 分位）；同口径时薪第 75 分位为 68.03 美元。；O*NET 展示的 BLS 2025 年工资分位
薪资 · 90 分位：174,050美元/年（第 90 分位）；同口径时薪第 90 分位为 83.68 美元，高分段通常与资历、行业与职责范围相关。；O*NET 展示的 BLS 2025 年工资分位
中位数不是入门工资：它表示一半从业者高于、一半低于该值；第 10 与第 25 分位更接近分布低端，但仍受雇主、行业与地区影响。
时薪与年薪是同一 OEWS 口径的两种呈现（该统计按标准工作年折算），不能据此推算个人实发收入或加班收入。
数字来自 O*NET 展示的 BLS 2025 年 OEWS 工资数据，口径为 Statisticians（SOC 15-2041）；预测期与其他统计口径以 O*NET 与 BLS 原始页面为准。
实际收入还受教育与训练、行业与雇主类型、职责范围与责任层级、所在地区影响。
| 行业 | 该行业内本职业工资中位数 | 这个值怎么理解 |
|---|---|---|
| 专业、科学与技术服务 | 证据不足：O*NET 与 BLS 未公布该职业按行业细分的工资中位数。 | O*NET 2024 年行业分布显示该职业 31% 位于该行业门类。 |
| 政府 | 证据不足：O*NET 与 BLS 未公布该职业按行业细分的工资中位数。 | O*NET 2024 年行业分布显示该职业 25% 位于政府。 |
| 教育服务 | 证据不足：O*NET 与 BLS 未公布该职业按行业细分的工资中位数。 | O*NET 2024 年行业分布显示该职业 15% 位于教育服务。 |
| 其他行业（含卫生保健与社会援助、金融与保险） | 证据不足：O*NET 与 BLS 未公布该职业按行业细分的工资中位数。 | 本页不引入未核实的行业工资估算或第三方推算。 |
学历与训练通常影响起点：O*NET 列该职业为 Job Zone Five，受访者中 58% 认为需硕士学历、29% 认为需博士学历，13% 认为需学士学历。
行业与雇主类型影响报酬：O*NET 2024 年行业分布为专业、科学与技术服务 31%、政府 25%、教育服务 15%，不同雇主的薪酬结构与数据条件不同。
职责范围影响报酬：是否负责研究设计、是否承担申报材料与结论签署、是否带团队，通常比会使用哪款软件更影响报酬水平。
为 Statisticians（SOC 15-2041）的合并就业基数，不是 15-2041.01 的精确人数。；O*NET 职业摘要
该增长标签口径为 Statisticians（SOC 15-2041）口径，不是对 15-2041.01 的单独预测。；O*NET 职业摘要
为预测期年均职位空缺（含增长与替代需求），不是净新增，也不构成个人就业保证。；O*NET 职业摘要
O*NET 职业兴趣基线
IC（研究型、常规型）兴趣画像：O*NET 把该职业的兴趣代码列为 IC，研究型对应分析数据、探索规律与解决抽象问题，常规型对应按既定流程处理数据、遵循细节与标准。
适配信号：更有解释力的信号是能把研究问题转成可检验的分析计划、愿意逐条核对数据与假设并接受复核；对数学或编程的兴趣本身不足以证明胜任。
霍兰德兴趣中什么类型更接近生物统计学家？
霍兰德兴趣代码为 IC（研究型与常规型）：研究型对应分析数据、探索规律与解决抽象问题，对应领域包括数学/统计、医学科学与生命科学；常规型对应按既定流程与细节标准处理数据，对应领域包括数学/统计与信息技术。
别这样用：注意：兴趣测试结果与职业兴趣代码一致，只说明方向接近，不代表你已具备研究设计、统计推断与可复现分析所需的实际能力。
测我的霍兰德职业兴趣大五人格哪些特质与这份工作更相关？
大五人格中与工作方式更相关的是尽责性（按方案与流程完成分析、按时提交）、情绪稳定性（面对方案变更与评审压力）与宜人性（与临床与数据团队协作）。这些关联来自一般性研究结论，强度低于工作样本与受复核实践的表现。
别这样用：注意：把人格分数当作能力结论是常见误用；本页不提供分数阈值或人格类型名单。
查看我的大五人格特质MBTI 能用来判断我适不适合生物统计学家吗？
MBTI 不是职业适配或统计胜任的评估工具，也没有官方资料支持「某种类型最适合生物统计学家」的说法。可用于自我反思与沟通偏好理解，但不能用于培训投入或录用筛选。
别这样用：注意：本页不列出任何「最适合」的类型，也不认可以此筛选候选人。
了解我的 MBTI 偏好九型人格能说明我适不适合这个职业吗？
九型人格同样不是职业适配工具，缺乏官方职业资料支持，也不用于录用或胜任判断。可用于自我反思，但不能据此决定是否投入长期训练。
别这样用：注意：本页不提供类型与岗位的对应关系。
探索我的九型人格模式数学不好，能做生物统计学家吗？
该职业高度依赖数学与统计推断能力：O*NET 基本技能中数学重要度为 91，为基本技能中最高，工作活动也以分析数据或信息（92）为主。数学成绩不是准入条件，但回避定量推理会直接影响能否胜任分析方法与代码工作。
别这样用：注意：本页不把任何测试分数当作准入或淘汰依据。
了解我的智力与推理表现做生物统计学家需要高情商吗？
情绪能力有帮助：需要向临床团队解释不确定性、承受方案变更与评审压力、在数据不足时坚持不下结论。但情绪能力不能用单一分数定义，也不能替代方法训练与记录纪律。
别这样用：注意：本页不提供情绪能力阈值，也不把高分等同于胜任。
了解我的情绪智力能力更匹配：喜欢做端到端数据处理与预测模型，并且更在意预测指标而不是效应估计。
注意：需要补足因果与推断方法；预测性能不等于研究结论的可解释性。
查看相关职业：数据科学家更匹配：愿意直接与受试者和研究团队打交道，组织随访、知情同意与记录。
注意：需要补足现场执行与法规训练；现场经验不能替代统计分析责任。
查看相关职业：临床研究协调员更匹配：希望研究估计方法、缺失数据与多重比较等方法学问题本身。
注意：学制与训练要求更高；须补足学位与研究经历路径。
查看相关职业：统计学家更匹配：对算法、组学数据流程与大规模数据工具链更有兴趣。
注意：需要补足算法与数据工程训练；流程开发不等于统计推断。
查看相关职业：生物信息学家更匹配：关注人群层面的疾病分布、监测与干预评价。
注意：需要补足流行病学研究设计与现场数据经验。
查看相关职业：流行病学家更匹配：愿意把统计结果整理为符合申报要求的材料，并逐条核对合规要求。
注意：需要补足法规与申报流程训练；申报经验不替代方法判断。
查看相关职业：临床数据管理员与其说某种性格，不如说某种工作方式：能接受自己的分析被逐条质疑、愿意把假设与限制写清楚、在数据不足时坚持不下结论。O*NET 工作风格包含注意细节、诚信与合作等特征。
适合与否不取决于内外向。工作情境显示 92% 每天使用电子邮件、42% 每天有面对面讨论、46% 每周一次以上，团队合作被 54% 评为极其重要；能否清楚解释方法与限制比外向程度更关键。
能。外向有助于向团队解释统计问题，但分析工作要求把注意力放在数据、假设与证据上；能否接受复核并修正判断，比表达欲更关键。
没有官方结论，也不存在最适合的类型。MBTI 只能帮助整理偏好并提出核对问题，不能预测分析胜任力或录用结果；本页不提供类型名单。
O*NET 把该职业的兴趣代码列为 IC（研究型与常规型）：研究型对应分析数据与检验假设，常规型对应按流程与标准处理细节。兴趣代码描述职业群体特征，不是个人适配结论。
不能。人格与兴趣工具的效度有限，不能替代工作样本、受复核的分析实践与资格证据；本页只用它们提出核对问题。
不建议在该职业上长期投入：O*NET 基本技能中数学重要度为 91，为基本技能中最高，工作活动也以分析数据或信息为主。可以先通过一门概率与统计推断课程和一次真实数据练习检验适应度。
情绪能力确实有帮助：需要向临床团队解释不确定性、承受评审压力、在数据不足时坚持不下结论。但情绪能力不能用单一分数定义，也不能替代方法训练与记录纪律。
不能。九型人格不是职业适配或胜任评估工具，也不被官方职业资料用作录用依据；可用于自我反思，但不能据此做培训投入决定。
用可复核的产出判断：一份含终点与样本量假设的分析计划、一份可重跑的清理与分析脚本、一份含限制说明的结果报告。若你能写清依据与不确定性，说明你具备基本适配条件。
典型场景：在看到结果后更改主要分析、排除标准或缺失数据处理方式而没有记录。
主要岗位：统计人员、研究团队、审评与审计方
可能后果：结论可能被质疑为选择性报告，研究可信度与申报材料受到影响。
降低风险：预先设定主要分析与敏感性分析；事后修改须记录理由、时间与影响并重新复核。
依据：career.source.onet-details · career.source.faa-design-approvals
典型场景：数据编码不一致、关键变量缺失或异常未核查，就直接进入分析。
主要岗位：数据管理与统计人员、研究团队
可能后果：估计出现偏倚或精度被高估，结论无法在核查时重现。
降低风险：建立数据核查流程与缺失机制说明，保留数据版本与可重跑的分析脚本。
依据：career.source.onet-details · career.source.faa-design-approvals
典型场景：把含可识别信息的临床或遗传数据上传到未获批准的第三方工具或外部环境。
主要岗位：受试者、机构、统计与数据管理团队
可能后果：可能侵害受试者权益、违反伦理批准与适用法律要求，并导致研究被暂停。
降低风险：按伦理批准与数据使用协议处理，最小化收集、去标识化、限制访问并留存记录。
依据：career.source.faa-design-approvals · career.source.nasa-seh
典型场景：研发外包机构、统计团队与申报方之间责任划分不清，关键分析无人复核。
主要岗位：委托方、受托方与统计负责人
可能后果：错误或口径不一致的分析进入申报材料，造成延误与责任争议。
降低风险：在合同与方案中明确交付物、复核人与升级链，保留版本与签署记录。
依据：career.source.onet-summary · career.source.bls-outlook
典型场景：把统计结果直接表述为临床有效性结论，或由未获授权的人签署对外陈述。
主要岗位：临床研究者、统计人员、监管与机构
可能后果：可能误导治疗或监管决策，并越过统计人员的责任边界。
降低风险：明确区分统计结论与医学判断；对外表述由获授权人签署并保留依据。
依据：career.source.onet-summary · career.source.onet-details
| 没经验如何证明 |
|---|
| 与其他方向的区别 |
|---|
| 医药企业与研发外包机构的统计编程岗位 | 在带教下按分析计划写代码、做数据核查与表格输出；先熟悉数据字典、分析口径与复核流程。 | 招聘方通常看统计或相关专业学历、编程能力与分析实习经历。 | 用完全公开或自造数据提交一份可重跑的分析脚本与结果表格，注明数据来源与限制。 | 此路径不独立签署分析计划；须核对数据访问权限、复核安排与带教责任人。 |
|---|---|---|---|---|
| 医院临床研究中心或公共卫生机构的统计岗位 | 协助整理研究数据、完成描述性统计与质量核查，参与方案评审会议并记录统计问题。 | 雇主更看重统计基础、对临床研究流程的理解与沟通能力，学历要求因机构而异。 | 提交一份含终点定义与精度依据的分析计划样例，以及一份结果说明。 | 临床判断仍由研究者负责；统计人员不得给出诊疗结论，授权范围按机构规定。 |
| 生命科学或组学研发的分析岗位 | 围绕实验数据做统计分析与可视化，配合研发团队解释结果与限制。 | 招聘方看统计与生物背景、编程能力与处理大规模数据的经验。 | 提交一份含缺失与异常处理说明的分析报告，附代码与数据版本记录。 | 实验设计与生物学解释须与实验团队共同确认，不能只凭统计显著性下结论。 |
| 医疗健康数据与算法团队的分析岗位 | 参与数据治理、指标定义与模型评估设计，负责统计口径与评估方法。 | 招聘方看统计与编程能力、对健康数据合规要求的理解。 | 提交一份评估设计说明，写明指标、口径、对照与限制。 | 预测性能与统计推断是不同目标；涉及健康数据须核对合规要求与访问授权。 |
| 相邻岗位转入（数据管理、临床协调、生物信息） | 承接数据整理、质量核查或流程开发任务，熟悉研究流程与记录要求。 | 招聘方看相关专业背景与领域经验，并核对是否具备统计训练。 | 提交一份从既有岗位任务中整理的可复核产出，并说明与统计推断的差距。 | 相邻岗位经验不等于统计责任；转岗须补足推断方法与受复核的分析经历。 |
医药企业与研发外包机构的统计编程岗位
入职初期主要做什么
在带教下按分析计划写代码、做数据核查与表格输出；先熟悉数据字典、分析口径与复核流程。
雇主通常看什么
招聘方通常看统计或相关专业学历、编程能力与分析实习经历。
没经验如何证明
用完全公开或自造数据提交一份可重跑的分析脚本与结果表格，注明数据来源与限制。
与其他方向的区别
此路径不独立签署分析计划；须核对数据访问权限、复核安排与带教责任人。
医院临床研究中心或公共卫生机构的统计岗位
入职初期主要做什么
协助整理研究数据、完成描述性统计与质量核查，参与方案评审会议并记录统计问题。
雇主通常看什么
雇主更看重统计基础、对临床研究流程的理解与沟通能力，学历要求因机构而异。
没经验如何证明
提交一份含终点定义与精度依据的分析计划样例，以及一份结果说明。
与其他方向的区别
临床判断仍由研究者负责；统计人员不得给出诊疗结论，授权范围按机构规定。
生命科学或组学研发的分析岗位
入职初期主要做什么
围绕实验数据做统计分析与可视化，配合研发团队解释结果与限制。
雇主通常看什么
招聘方看统计与生物背景、编程能力与处理大规模数据的经验。
没经验如何证明
提交一份含缺失与异常处理说明的分析报告，附代码与数据版本记录。
与其他方向的区别
实验设计与生物学解释须与实验团队共同确认，不能只凭统计显著性下结论。
医疗健康数据与算法团队的分析岗位
入职初期主要做什么
参与数据治理、指标定义与模型评估设计，负责统计口径与评估方法。
雇主通常看什么
招聘方看统计与编程能力、对健康数据合规要求的理解。
没经验如何证明
提交一份评估设计说明，写明指标、口径、对照与限制。
与其他方向的区别
预测性能与统计推断是不同目标；涉及健康数据须核对合规要求与访问授权。
相邻岗位转入（数据管理、临床协调、生物信息）
入职初期主要做什么
承接数据整理、质量核查或流程开发任务，熟悉研究流程与记录要求。
雇主通常看什么
招聘方看相关专业背景与领域经验，并核对是否具备统计训练。
没经验如何证明
提交一份从既有岗位任务中整理的可复核产出，并说明与统计推断的差距。
与其他方向的区别
相邻岗位经验不等于统计责任；转岗须补足推断方法与受复核的分析经历。
BLS 把数学家与统计师合计序列的典型入门学历列为硕士，但说明部分岗位接受学士学历。
两者口径不同（O*NET 为受访者估计、BLS 为序列口径），须分别注明，不能合成一个门槛。
在中国大陆，涉及人类遗传资源的采集、保藏、利用与对外提供，须遵守《中华人民共和国人类遗传资源管理条例》的审批、备案与安全审查要求。
涉及个人信息（含医疗健康等敏感个人信息）的处理，须遵守《中华人民共和国个人信息保护法》关于告知、同意、最小必要与影响评估的规定。
工作活动以分析数据或信息（92）、使用计算机（91）、为他人解释信息含义（79）为主。
兴趣代码为 IC（研究型与常规型）；这些字段描述职业群体特征，不构成个人胜任阈值。
这些工具用于数据管理、统计建模、可复现分析与结果呈现，不改变方法选择与结论责任。
把工具用于临床或遗传数据前，须确认伦理批准、数据使用协议与访问控制是否覆盖该用途。
工具：任意统计软件（R、Python 或 SAS 均可）与一份分析计划模板；不使用任何真实受试者数据。
边界说明：练习不得对真实患者或真实试验得出结论，也不得把练习结果包装成临床证据。
时间安排：一次 60 分钟设计与分析计划 + 一次 45 分钟分析执行与结果说明。
对模拟数据完成一次组间比较，报告效应量与 95% 置信区间，并说明缺失数据的处理方式。
写出三条影响结论的限制，并做一次敏感性分析验证结论是否稳健。
把描述、假设与结论分开书写，不把「p 值小于 0.05」直接写成「治疗有效」。
对缺失与异常先判断机制再决定处理方式，并保留处理前后的对照结果。
如果不确定某项处理是否属于事后修改，应记录该疑问并请有经验的人复核，而不是直接改口径。
每项都注明来源与资料期；无法核实的项留空并标记为证据不足，不用推测填补。
把「教育」「技能证明」「机构授权」「数据权限」「签署责任」分列，避免混为一谈。
把复核意见与修改理由一并保留，作为判断你是否能接受复核的证据。
把复盘交给一位有经验的人复核，并保留复核意见与修改理由。
分析脚本须保留数据版本与运行记录，使他人可以重跑得到同一结果。
投递前
可能考察
核对岗位职责、机构性质、数据权限与复核流程，并准备虚构数据的分析样例。
观察证据
一份注明来源与资料期的要求核对表；能说清统计分析岗位与数据管理、统计编程岗位的区别。
使用边界
不把课程作业当作可独立签署分析结论的证明，也不承诺超出本人授权范围的职责。
面试中
可能考察
情景提问：如何应对主要终点缺失较多，或如何在结果不利时说明限制。
观察证据
能先给出缺失机制判断与敏感性分析思路，再讨论结论表述；能明确说出自己的不确定。
使用边界
不在面试中承诺无法核实的资格、数据权限或业绩。
试用期
可能考察
在复核下完成分析计划、代码与结果说明，接受对代码与口径的逐条检查。
观察证据
代码可重跑、口径与分析计划一致、限制说明完整、变更留有记录。
使用边界
不独立处理超出授权范围的数据或对外陈述，不擅自更改已批准的分析计划。
入职 90 天
可能考察
按计划核对数据权限、复核安排与培训是否落地，评估代码质量与协作方式。
观察证据
能独立完成常规分析，并在不确定时主动求助或升级。
使用边界
授权与责任须以书面形式确认，不以口头承诺代替。
产出：一页任务对照表，标注每项来源与口径。
产出：一份数据与授权核对清单。
产出：一页分析计划。
产出：一份数据处理记录。
产出：一份含限制说明的结果说明。
产出：一份复核意见与修改说明。
产出：一页决定说明，附证据清单。
硕士层级生物统计或统计学位（美国）
主要适合谁
计划进入美国生物统计或统计岗位的人
求职现实作用
通常是专业岗位的常见要求。
是否普遍入职门槛
不是所有雇主的硬性门槛，但为专业路径基础。
报考／监管与伦理条件
须包含概率与统计推断、回归与试验设计、计算与数据分析课程。
投入等级
学制较长，含学费与实习时间。
重要限制
学位本身不等于机构授权或数据访问权限。
博士学位（生物统计或统计方向）
主要适合谁
希望从事方法学研究或独立主持统计分析的人
求职现实作用
用于承担方法研究与更高层级的设计责任。
是否普遍入职门槛
不是入门门槛。
报考／监管与伦理条件
须完成博士训练与研究经历。
投入等级
学制与科研时间投入最大。
重要限制
学位不替代机构授权、伦理批准或申报资格。
统计编程能力证明（SAS／R／Python 等）
主要适合谁
希望从事统计编程或数据分析岗位的人
求职现实作用
在招聘中具有参考价值；O*NET 技术清单显示 SAS 66%、R 61%。
典型职责：在复核下完成数据处理、描述统计与表格输出。
晋升证据：受复核的分析计划与结果说明样例。
资格边界：完成统计或生物统计方向的课程与训练。
下一步：不独立签署分析计划，须逐项复核。
典型职责：承担常规临床研究的分析计划与结果说明，复杂设计须复核。
晋升证据：含缺失处理与敏感性分析的结果报告。
资格边界：取得相关学位或完成同等训练。
下一步：按机构授权范围承担分析，不越界解释。
典型职责：主导研究设计与统计口径，对申报材料中的统计陈述负责。
晋升证据：完整的方案统计部分与申报材料记录。
资格边界：具备独立承担申报材料的机构授权。
下一步：按授权范围承担责任，保留复核安排。
典型职责：评审他人分析、建立分析与记录规范并带教初级人员。
晋升证据：评审记录与流程改进证据。
资格边界：具备评审与培养能力并获机构授权。
下一步：对团队的分析规范与记录质量负责。
典型职责：整理监测或临床数据、完成描述性统计与质量核查。
晋升证据：描述性分析与监测数据整理记录。
资格边界：卫生统计、流行病学或公共卫生相关背景。
下一步：不承担独立结论责任。
典型职责：承担常规研究或监测的分析与结果解释。
晋升证据：含口径与限制说明的分析报告。
资格边界：相关领域学位或同等训练。
下一步：在方案授权范围内独立分析，公开结论须复核。
典型职责：主导研究设计、监测指标定义与统计口径，对结论负责。
晋升证据：完整的研究与发布记录。
资格边界：具备机构授权与项目统计责任。
下一步：对结论边界与数据质量负责。
典型职责：建立机构内统计规范，评审他人分析并培养人员。
晋升证据：方法评审与培训记录。
具备方法评审与培养资质。
典型职责：数据整理、质量核查与指标计算。
晋升证据：可重跑的数据处理脚本。
资格边界：统计与编程基础。
下一步：不把预测性能当作研究结论。
典型职责：承担数据治理、指标定义与模型评估设计。
晋升证据：含评估设计与限制说明的报告。
资格边界：统计训练与数据处理经验。
下一步：涉及健康数据须核对合规要求与访问授权。
典型职责：主导评估设计、统计口径与合规边界，对结果负责。
晋升证据：完整的评估设计与复核记录。
资格边界：具备项目授权与评估设计责任。
下一步：对评估口径与合规边界负责。
典型职责：建立数据与模型治理规范，评审跨领域项目。
晋升证据：治理规范与评审记录。
资格边界：具备跨领域评审能力。
能在复核下按分析计划完成数据处理与描述统计，正确记录口径与数据版本，并识别需要升级的情形。
能独立完成常规研究的分析计划、建模与结果说明，在缺失、异常或口径冲突时主动请求复核。
能主导研究设计与样本量确定，对主要结论与限制负责，并能在多学科会议中解释统计问题。
能评审他人分析、建立团队的分析与记录规范，并培养初级统计人员或程序员。
美国 · parent_occupation_proxy
增长 7% 或以上（年均空缺 2,000 个）
增长率与年均空缺
O*NET 页面标注为 Much faster than average（7% 或以上），口径为 Statisticians（SOC 15-2041）。
不能说明：统计分类口径的预测不能推导 15-2041.01 的精确增幅，也不构成个人就业保证。
中国大陆 · industry_proxy
证据不足：未取得该职业的全国工资与就业分布
行业门类平均工资（对照口径，本页不发布数值）
国家统计局按行业门类与岗位大类公布平均工资，但没有单列「生物统计学家」这一职业。
不能说明：该口径混合多类岗位，不能作为生物统计学家的职业工资或就业规模。
这些是能力邻近关系，不代表自动晋升或无需补课。
可迁移：可迁移的是数据处理、编程与评估设计能力。
需补足：需要补足工程化数据处理与预测建模训练；预测性能不替代统计推断。
查看职业详情可迁移：可迁移的是推断方法与建模能力。
需补足：需要补足更广的统计方法领域与应用场景。
查看职业详情可迁移：可迁移的是对临床试验流程与数据的理解。
需补足：需要补足现场执行、知情同意与监查配合经验。
查看职业详情可迁移：可迁移的是编程与数据分析能力。
需补足：需要补足算法、组学数据流程与数据工程训练。
查看职业详情可迁移：可迁移的是数学建模与抽象能力。
需补足：需要补足高等数学与理论方法训练。
查看职业详情可迁移：可迁移的是数据质量核查与记录能力。
需补足：需要补足数据标准、数据库与数据治理训练。
查看职业详情可迁移：可迁移的是统计分析与研究设计基础。
需补足：需要补足流行病学研究设计与现场调查经验。
查看职业详情可迁移：可迁移的是数据口径与质量意识。
需补足：需要补足信息系统、数据标准与流程设计训练。
查看职业详情AI 与统计软件可辅助文献检索、代码草稿、数据字典整理、文档结构与图表初稿等可回滚环节；研究设计、样本量确定、缺失数据处理决策、效应解释与结果签署责任仍由人负责。
终点与分析人群的定义、缺失数据处理方式、模型假设的合理性、结论与限制的表述，以及对外提交材料的签署，都必须由受训并获授权的人复核与承担。
需要分别核对学历与课程训练、统计编程能力证明、机构授权、数据访问与保密协议、伦理批准范围以及统计报告的签署规则；O*NET 列为 Job Zone Five，BLS 把典型入门学历列为硕士。
O*NET 工作情境显示 54% 的受访者需要持续或几乎持续久坐，71% 每天在室内受控环境工作；多数物理暴露项（噪音、有害条件、危险设备等）为 91%—100% 从不出现。
83% 的工作班次规律，67% 每周工作 40 小时、33% 超过 40 小时；50% 每周一次以上需要赶截止日期，团队合作被 54% 评为极其重要。
O*NET 页面把就业与预测字段标注为 Statisticians（SOC 15-2041）口径：2024 年就业 32,200 人，2024—2034 年增长 7% 或以上、年均空缺 2,000 个；转向相邻方向须补足目标岗位的方法、数据权限与责任证据。
美国数值来自 O*NET 展示的 BLS 2025 年 OEWS 数据，口径为 Statisticians（SOC 15-2041）；中国大陆没有该职业的全国职业工资统计，只有行业门类平均工资，两者的职业口径、统计期与覆盖范围都不同。
O*NET 任务包含用统计软件编写分析代码；雇主招聘技术信号以 SAS 66%、R 61% 为主，Python 17%、SQL 9%。能复现分析并接受复核，比会多少种语言更重要。
临床与遗传数据常含可识别信息：在中国大陆，涉及人类遗传资源的采集、保藏、利用与对外提供须遵守《中华人民共和国人类遗传资源管理条例》的审批、备案与安全审查要求；医疗健康等敏感个人信息的处理须遵守《中华人民共和国个人信息保护法》。
以室内、受控环境为主（71% 每天在室内受控环境工作），54% 持续或几乎持续久坐；92% 每天使用电子邮件、42% 每天有面对面讨论，团队合作被 54% 评为极其重要。
费马测试职业内容编辑组：依据 O*NET、BLS、国家统计局、《中华人民共和国人类遗传资源管理条例》与《中华人民共和国个人信息保护法》的公开资料整理，逐项标注口径与数据期。
资料期：O*NET 页面为 2026 年更新；工资为 2025 年 BLS OEWS（Statisticians 口径）；就业与预测为 2024 年与 2024—2034 年（Statisticians 口径）；BLS 职业展望手册为 2025—2035 年；国家统计局数据为 2025 年、2026-05-15 发布；检索日 2026-09-16。
主要来源：O*NET-SOC 15-2041.01 职业摘要、详细资料、自定义职业档案、技术清单、行业分布、培训与教育信息与全国工资分位页面；BLS《Mathematicians and Statisticians》职业展望手册；国家统计局《2025 年城镇单位就业人员年平均工资情况》；ILO 工作论文 140。
使用限制：任务清单描述职业群体工作，不代表每个岗位都承担全部 25 项任务。
使用限制：美国职业分类，不直接证明中国岗位身份或数据授权。
使用限制：行业分布描述统计分类，不用于推导行业工资或就业规模。
使用限制：占比为招聘启事中的出现频率，不代表工具采用率或岗位替代。
使用限制：学历构成来自受访者估计，不构成对任何项目或机构的推荐。
使用限制：为数学家与统计师合计口径，不是 15-2041.01 单列统计。
使用限制：工资数据口径为 Statisticians（SOC 15-2041），不是 15-2041.01 精确值。
使用限制：为数学家与统计师合计口径，不是 15-2041.01 单列统计。
使用限制：按行业门类与岗位大类汇总，未单列该职业，本页不据此推导职业工资。
使用限制：条例规范人类遗传资源的采集、保藏、利用与对外提供，不建立职业统计口径。
使用限制：法律规范个人信息处理，医疗健康属敏感个人信息。
使用限制：任务暴露指数不提供单职业岗位数量预测，也不是采用率或失业率。
使用限制：编辑整理记录，用于说明口径与缺口，不作为事实来源。
使用限制：工资总额为税前口径，不等于到手收入。
使用限制：该页面工资数据口径为 Statisticians（SOC 15-2041）。
使用限制：相邻职业须按各自任务、资格与授权单独核对，不能按名称互换。
使用限制：就业与预测口径为 Statisticians（SOC 15-2041），不是 15-2041.01 精确统计。
使用说明：本页区分精确职业口径与 Statisticians 代理口径；中国大陆的行业平均工资只作对照；缺口以「证据不足」标记，不用推测数值填补。
MBTI (English) · Big Five (English) · MBTI (中文) · Big Five (中文)
报酬与工时
是否普遍入职门槛
不是普遍法律门槛。
报考／监管与伦理条件
通常以课程、项目或认证方式证明。
投入等级
培训与考核成本因路径而异。
重要限制
工具能力不等于研究设计与推断能力，不构成签署分析结论的资格。
数据使用与保密协议（机构内部）
主要适合谁
所有接触受试者或健康数据的人员
求职现实作用
决定能否访问可识别数据以及可访问的范围。
是否普遍入职门槛
在多数研究机构是开展工作的前提。
报考／监管与伦理条件
须按伦理批准与机构制度签署并接受培训。
投入等级
培训与审批时间。
重要限制
协议不产生对外提交或签署统计报告的权限。
中国大陆药物临床试验相关规范要求
主要适合谁
在中国大陆参与药物临床试验统计工作的人
求职现实作用
与机构资质共同决定可以承担的工作。
是否普遍入职门槛
临床试验活动须遵守药物临床试验质量管理规范与伦理审查要求。
报考／监管与伦理条件
须符合机构与主管部门要求，统计职责按方案与委托分工确定。
投入等级
培训与合规时间投入。
重要限制
海外学历或认证不自动产生中国大陆的申报或执业权限。
人类遗传资源与个人信息合规要求（中国大陆）
主要适合谁
涉及人类遗传资源或受试者个人信息的研究
求职现实作用
决定数据能否采集、保藏、使用与对外提供。
是否普遍入职门槛
属于法定要求：涉及人类遗传资源的采集、保藏、利用与对外提供须依法审批、备案并通过安全审查。
报考／监管与伦理条件
须依据《中华人民共和国人类遗传资源管理条例》与《中华人民共和国个人信息保护法》核对适用条件。
投入等级
审批与合规材料准备时间。
重要限制
合规材料不是能力评价，也不替代统计方法与责任判断。
下一步：对机构内的统计规范负责。
下一步：对模型与统计口径的治理负责。