（1） 比较新药组和常规药物组Hb的差异
方法：独立样本t检验
原因：
Hb服从正态分布，且样本量较大（30例），适合使用参数检验。
因为新药组和常规药物组的样本独立，且变量为连续型，因此可以使用独立样本t检验。
（2） 比较新药组和常规药物组WBC1的差异
方法：Mann-Whitney U检验（非参数检验）
原因：
WBC1服从偏态分布，因此不适合使用t检验，应该选择非参数检验。
两组样本为独立样本，因此可以使用Mann-Whitney U检验来比较两组间WBC1的差异。
(3) 比较新药组和常规药物组饮酒率的差异
方法：卡方检验（Chi-square Test）
原因：
饮酒变量是一个二元分类变量（饮酒与否，0或1），可以使用卡方检验来分析两组饮酒率的差异。
卡方检验适用于频数数据，且能够比较两组之间的分类变量分布差异。
(4) 比较新药组和常规药物组吸烟量的差异
方法：Mann-Whitney U检验（非参数检验）
原因：
吸烟量是一个有序分类变量（0, 1, 2），但不同组之间的分布可能并不满足正态性假设，因此可以使用非参数检验来比较两组之间吸烟量的差异。
由于两组是独立样本，适合使用Mann-Whitney U检验。
(5) 分析WBC1与WBC2之间的关联
方法：配对样本t检验（Paired t-test）
原因：
WBC1和WBC2是来自同一患者的治疗前后数据，具有配对关系。
由于数据为连续型变量，可以使用配(3)据给定的Logistic回归结果，可以通过以下步骤计算55~64岁饮酒者食管癌发病的概率。
1. 计算Logit值
首先，我们知道Logistic回归模型的形式是：
Logit(P)=在（P\1−P）=B0+B1X1+B2X2+B3X3+B4X4
其中：
B0是常数项，
B1是饮酒变量（X1）的系数，
B2、B3、B4分别是年龄组（X2、X3、X4）的系数。
2. 代入参数值
对于55~64岁的饮酒者来说：
X1 = 1（饮酒）
X2 = 0，X3 = 1，X4 = 0（因为55~64岁对应X3 = 1）
根据回归结果，代入参数值：
B0=2.151
B1=1.680
B2=−1.972
B3=−2.487
B4=−2.741
代入Logit公式：
Logit(P)=2.151+1.680×1+(−1.972)×0+(−2.487)×1+(−2.741)×0
Logit(P)=2.151+1.680−2.487=1.3443. 转换为概率
Logit值可以转化为概率，通过以下公式：
P=1\1+e−Logit(P)
将计算出的Logit值代入：
P=1\1+e−1.344≈1\1+0.260=1\1.260≈0.794
因此，55~64岁饮酒者的食管癌发病概率约为 0.794，即约 79.4%。对样本t检验来分析WBC1和WBC2之间的差异。