🔬 前 言 🔬

统计不是论文的装饰品，而是贯穿研究全过程的基础骨架。

这份基于 Panos & Boeckler (2023) 发表于《Drug Design,

Development and Therapy》指南的深度解读，将带你从“知道规则”

进阶到“懂得操作”。

许多稿件被拒或结论不可靠，根源不在于“P值不显著”，而在于从根上

就违反了基本的统计原则。本文把指南的八点要求拆解并融入

设计、分析、报告三阶段，提供可直接对照执行的清单。

─────────────────────────────────────────────

█ 第一部分：实验设计阶段 —— 避免“先天不足” █

⚠️ 核心警示：研究的成败在收集第一个数据点之前就已决定。

设计阶段的统计错误是致命的，后期无法补救。

─────────────────────────────────────────────

◆◆◆ 模块一：样本量确定 —— 到底需要多少样本？ ◆◆◆

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

❶ 临床研究：效能分析 —— 精确计算

📌 应用场景：随机对照试验、前瞻性队列研究、有明确主要结局指标

的临床研究。

📌 实操步骤：

1️⃣ 明确主要结局指标（例如降压药的疗效指标：收缩压变化值）

2️⃣ 设定三个关键参数：

• α (显著性水平，通常为0.05)：犯I类错误（假阳性）的概率。

• 1-β (把握度/效能，必须 ≥ 80%)：如果真实差异存在，

你能发现它的概率。低于80%则可信度大打折扣。

• 效应量：预期发现的差异大小，基于预实验、文献或

临床最小有意义差值。

📝 论文写作模板：

“样本量基于主要结局指标【XX】进行计算。假设【对照组均值/比例】

为【A】，预期【干预组】能将之改变为【B】，设双侧α=0.05，

把握度(1-β)=90%，估算每组需要【N】例。考虑20%的失访率，

最终拟纳入每组【N×1.2】例。计算使用软件【PASS / G*Power / Stata等】。”

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

❷ 实验/动物研究：资源方程法 —— 简约实用

📌 应用场景：多组比较的生物学/动物实验，效应量难预估，

且样本量受伦理和资源限制。

📌 实操步骤：

1️⃣ 确定实验设计（如3个剂量组+1个对照组，共4组 T=4）

2️⃣ 计算公式：

误差自由度 (E) = 总动物数 (N) - 处理组数 (T) - 区组数 (B) + 1

3️⃣ 核心目标：让 E 落在 10 到 20 之间！

E<10 效能不足，E>20 可能浪费资源。

4️⃣ 反推样本量：N = E + T（当无区组时）

💡 举例：4组(T=4)，希望 E=15，则 N = 15+4 = 19 只动物，

每组约5只（注意平衡各组样本量）。

📝 论文写作模板：

“样本量采用资源方程法确定。本研究共设【4】个实验组(T)，

为使方差分析中误差自由度达到【15】(介于10-20之间)，

共需使用约【19】只动物，每组样本量约为5只。这一方法平衡了

统计效能与动物伦理的3R原则。”

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

❸ 极端小样本 (n < 5)：最后的无奈之选

⚠️ 核心原则：如果每组样本量小于5且无法增加，

请不要做任何传统的推断统计（如t检验、ANOVA）！

✅ 正确做法：

• 数据仅作为描述性结果呈现（展示个体值和均值）。

• 在摘要和讨论中明确标注为“初步探索性结果”。

• 在讨论部分作为一个局限性坦诚讨论。

• 替代方案：使用 Bootstrap 或 置换检验。这些方法不依赖分布和

样本量，通过计算机重采样模拟抽样分布来计算P值。

但即便使用，仍需谨慎解释。

─────────────────────────────────────────────

◆◆◆ 模块二：组间均衡与独立性 —— 避免“带毒”的数据 ◆◆◆

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

❶ 小样本下的均衡设计 (n < 20)

实操指导：如果每组样本量少于20，尽量让各组样本量相等。

例如，一组6只、一组8只没问题；但一组5只、一组15只，

会极大降低统计效能，且对方差齐性检验造成困扰。

设计时，就应为所有组分配相同的样本量。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

❷ 独立性假设与“伪重复” —— 最隐蔽的错误

⚡ 案例1：临床研究的“双侧”陷阱

❌ 错误做法：研究眼药水对眼压的效果，收集30名患者，

用两只眼睛的数据当成 n=60 分析。

——两只眼睛来自同一个人，不独立！

✅ 正确做法 A（简单粗暴）：随机选择每名患者的一只眼纳入分析。

✅ 正确做法 B（数据高效）：使用混合效应模型。

将患者ID作为随机效应，考虑来自同一个人的

两只眼睛的相关性（SPSS、R均可实现）。

⚡ 案例2：基础实验的“三复孔”幻觉

❌ 错误做法：从一个细胞培养皿中提取蛋白，做三次Western Blot

上样（技术重复），报告 n=3。

✅ 正确做法：这仍然是 n=1！技术重复只能衡量测量误差，

不能代表生物学差异。要得到 n=3，必须重复

3次独立的生物学实验（不同日期、不同批次细胞）。

📋 检查清单：你的“n”是生物学重复吗？技术重复不能当生物学重复用！

─────────────────────────────────────────────

█ 第二部分：数据分析阶段 —— 选择正确的武器 █

拿到了数据，不能直接套用最熟悉的t检验或ANOVA，

必须先进行“敌情侦察”。

─────────────────────────────────────────────

◆◆◆ 模块三：数据探索 —— 侦察三部曲 ◆◆◆

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

① 第一步：正态性检验

• 首选检验：Shapiro-Wilk检验（Kolmogorov-Smirnov在小样本下

“视力”不好，容易漏掉偏离正态的分布）。

• 小样本 (n < 10)：统计检验效能太低，此时必须看图！

查看直方图和 Q-Q图。在Q-Q图中，如果数据点

大致沿着45度线分布，可认为近似正态。

② 第二步：方差齐性检验

• 若数据正态，进行方差齐性检验。常用 Levene检验。

• 若Levene检验的P值 < 0.05，说明方差不齐。

③ 第三步：根据侦察结果选择武器

✅ 情况一：数据满足正态分布且方差齐

• 两组比较：使用独立样本t检验。

• 多组比较：使用单因素方差分析（ANOVA），

事后两两比较采用 Tukey HSD 检验。

⚠️ 情况二：数据满足正态分布但方差不齐

• 两组比较：使用 Welch's t检验（SPSS默认t检验即为Welch修正）。

• 多组比较：使用 Welch's ANOVA，

事后两两比较采用 Games-Howell 检验。

📦 情况三：数据不满足正态分布

• 两组比较：使用 Mann-Whitney U 检验。

• 多组比较：使用 Kruskal-Wallis 检验，

事后两两比较采用 Dunn 检验（需进行多重比较校正）。

─────────────────────────────────────────────

◆◆◆ 模块四：特殊情况处理 ◆◆◆

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

🔍 异常值处理指南

1️⃣ 识别：通过箱线图观察是否有超出1.5倍四分位距的点。

2️⃣ 溯源：是录入错误？仪器故障？还是真实的生物学极端值？

3️⃣ 决策：

• 录入错误 → 更正。

• 仪器故障/实验失败 → 剔除（需记录理由）。

• 真实极端值 → 原则上保留！可进行敏感性分析

（分别报告包含和不包含该异常值的结果），看结果是否稳健。

若结果因一个点而翻天覆地，说明结论不可靠。

⚠️ 武断剔除是学术不端的温床！

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

⚠️ 一个核心警告：数据转换

• 指南态度：强烈不推荐对数转换等数据转换。

• 原因：转换后，结论是关于“血糖的对数”是否有差异，

而不是“血糖”本身。这给读者理解带来极大困难。

除非是基因表达数据等有充分生物学理由（如log2FC）的领域，

否则尽量采用稳健的统计方法（如非参数检验）来应对非正态数据。

─────────────────────────────────────────────

█ 第三部分：结果报告阶段 —— 清晰、透明、可复现 █

─────────────────────────────────────────────

◆◆◆ 模块五：表格和文字中的统计呈现 ◆◆◆

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

📊 1. 描述性统计的黄金法则

• 正态分布：用 均值 ± 标准差 (Mean ± SD)。

注意：不要用“均值 ± 标准误 (SEM)”来描述数据离散程度，

SEM是用于推断统计的，不能代表数据的变异度。

• 偏态分布：用 中位数 (四分位距) [Median (IQR)]。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

📈 2. P值的精确报告

✅ 正确：(t = 2.34, df = 18, p = 0.031)

✅ 正确：(Mann-Whitney U = 45.5, p = 0.02)

❌ 错误：(p < 0.05) 或 (NS)。这丢失了大量信息。

特殊情况：极小的P值，如 p < 0.001 是允许的。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

✍️ 3. “方法”部分的统计段落（模板化写作）

你的论文方法部分应包含一个独立的“统计学分析”小节，内容如下：

“所有数据分析使用 [SPSS 27.0 / R 4.2.1 / GraphPad Prism 9.0] 完成。

首先，通过 Shapiro-Wilk 检验和 Q-Q 图评估数据的正态性。

对于符合正态分布且方差齐（Levene检验）的数据，两组间比较采用独立样本t检验，

多组间比较采用单因素方差分析，事后两两比较采用 Tukey HSD 检验。

对于方差不齐的正态数据，采用 Welch's ANOVA 和 Games-Howell 事后检验。

对于不符合正态分布的数据，两组间比较采用 Mann-Whitney U 检验，

多组间比较采用 Kruskal-Wallis 检验，事后比较采用 Dunn 检验。

对于重复测量数据（或包含双眼数据），采用线性混合效应模型进行分析，

以受试者ID作为随机截距。数据以均值±标准差或中位数（四分位距）表示。

双侧 P < 0.05 被认为具有统计学显著性。”

═════════════════════════════════════════════

🎯 结 语 🎯

统计是思考的工具，而非装饰

这份指南的价值在于，它将复杂的统计学还原为一系列清晰的科研准则。

对于研究人员而言，最好的实践是：

1️⃣ 设计前多想一步：不要等到数据出来了才找统计学家，

而是在设计实验方案时就咨询统计专家。

2️⃣ 分析时多问一句：我的数据满足这个方法的前提条件吗？

3️⃣ 报告时多写一点：提供足够的信息，让审稿人和读者能复现你的分析过程。

正如文章所言，统计不是“必要的恶”，而是我们探索科学真理过程中

必不可少的、最忠实的工具。

希望这份笔记能成为你科研工具箱中一件趁手的武器。

═════════════════════════════════════════════参考文献：

Panos GD, Boeckler FM. Statistical Analysis in Clinical and Experimental Medical Research: Simplified Guidance for Authors and Reviewers[J]. Drug Des Devel Ther, 2023, 17: 1959-1961.

═════════════════════════════════════════════