首页　/　医学统计　/　统计推断基础
Statistics · Lesson 03

统计推断基础

从样本走向总体，理解抽样误差、置信区间、P 值、效应量与多重比较之间的完整逻辑。

基础篇连续阅读课程文字可复制约 35 分钟

第3课 统计推断基础

课程主题： 理解 P 值之外的信息
课程定位： 从"样本为什么不能直接等同于总体"出发，建立抽样误差、参数估计、置信区间、假设检验、Ⅰ/Ⅱ类错误、效应量和多重比较之间的完整逻辑。\

一、学习目标

完成本节后，应能够：

  1. 区分总体、样本、总体参数和样本统计量；
  2. 理解为什么同一总体反复抽样会得到不同结果，以及什么是抽样误差；
  3. 区分 SD（标准差）与 SE（标准误）；
  4. 理解点估计与置信区间分别提供什么信息；
  5. 正确解释 95% CI，避免"95%概率包含真值"等常见误解；
  6. 理解假设检验中 H₀、H₁、检验统计量、P 值和 α 的关系；
  7. 正确解释 P<0.05 与 P>0.05，尤其避免把 P>0.05 解释成"证明两组相同"；
  8. 理解Ⅰ类错误、Ⅱ类错误和统计功效（power）；
  9. 理解为什么不能只报告 P 值，而应结合效应量和 95% CI；
  10. 理解多重比较为什么会增加假阳性风险，并识别论文中的常见问题。

3.1 从描述统计到统计推断：我们真正想知道的通常是"总体"

上一课解决的是：

手中的数据是什么？应该怎样描述？

例如某临床试验纳入 100 名患者，平均收缩压为：

138.6 ± 15.2 mmHg

这首先是在描述这 100 名患者。

但医学研究通常不会停在这里。研究者真正关心的往往是：

这 100 名患者所代表的更大患者总体，其平均收缩压大约是多少？

或者：

在研究样本中观察到的治疗组与对照组差异，能否推断到目标总体？

这就从描述性统计（descriptive statistics）进入了统计推断（statistical inference）。

统计推断的核心问题可以概括为：

总体通常无法全部观察
        ↓
从总体中抽取样本
        ↓
观察和分析样本
        ↓
利用样本信息推断总体
        ↓
但样本存在随机波动
        ↓
因此推断必须表达“不确定性”

3.2 四个最基础的概念：总体、样本、参数、统计量

3.2.1 总体 Population

总体是研究希望推断的全部研究对象。

例如：

希望研究某种降压药对目标高血压患者群体的降压效果。

这里真正关心的是符合研究定义的目标患者总体，而不是仅仅已经入组的 200 名患者。

3.2.2 样本 Sample

现实中通常无法测量总体中的每一个对象，因此研究者从总体中抽取一部分研究对象进行观察。

例如：

目标总体：符合条件的高血压患者
              ↓
         抽取 200 人
              ↓
研究样本：200 名患者

3.2.3 总体参数 Parameter

描述总体特征的数值称为参数，例如：

  • 总体均值 μ；
  • 总体标准差 σ；
  • 总体比例 p；
  • 总体中的真实均值差；
  • 总体中的真实 OR、RR、HR 等。

这些才是研究者通常真正希望了解的量。

3.2.4 样本统计量 Statistic

从样本数据计算出来的数值称为样本统计量，例如：

  • 样本均值 x̄；
  • 样本标准差 s；
  • 样本比例；
  • 样本中的均值差；
  • 样本估计得到的 OR、RR、HR 等。

最重要的关系是：

样本统计量是我们观察到的；总体参数通常是我们希望估计的。

3.3 为什么样本结果每次都可能不同：抽样误差

假设某个总体的真实平均收缩压为：

μ = 140 mmHg

现在每次随机抽取 100 名患者。

第一次：

样本均值 = 138.2 mmHg

第二次：

样本均值 = 141.0 mmHg

第三次：

样本均值 = 139.3 mmHg

三个样本都来自同一个总体，但样本均值并不完全相同。

原因并不是"统计软件算错了"，而是：

不同随机样本包含的个体不同，因此样本统计量会发生随机波动。

这种由随机抽样导致的样本统计量与总体参数之间、或不同样本统计量之间的随机差异，就是理解**抽样误差（sampling error）**的起点。

需要区分：

抽样误差 ≠ 数据录入错误
抽样误差 ≠ 测量仪器错误
抽样误差 ≠ 研究设计错误

它是抽样研究天然存在的不确定性。

3.4 从抽样误差到标准误：我们需要描述"估计有多不稳定"

假设我们不是只抽一次样，而是从同一个总体反复抽取很多个同样大小的样本。

每个样本都会产生一个样本均值：

样本1 → 138.2
样本2 → 141.0
样本3 → 139.3
样本4 → 140.5
……

这些"样本均值"本身也形成一个分布。

这就是理解**抽样分布（sampling distribution）**的关键。

而标准误（standard error, SE）描述的正是：

样本统计量在重复抽样中的变异程度。

对于样本均值，一个常见形式为：

SEx̄ = s / √n

其中：

  • s：样本标准差；
  • n：样本量。

因此，在其他条件相同时：

n 增大
   ↓
SE 减小
   ↓
估计通常更精确

3.5 SD 和 SE 必须分清

这是医学论文中非常重要、也非常容易混淆的一组概念。

指标SDSE
中文标准差标准误
主要描述个体数据的离散程度统计量估计的不确定性/精度
回答的问题患者之间差异有多大？这个样本估计有多稳定？
与样本量关系不会简单因 n 增大而趋近 0通常随 n 增大而减小
常见用途描述原始数据构造 CI、统计推断

例如：

Age = 56.2 ± 12.0 years

如果这里的 12.0 是 SD，说明患者年龄之间存在一定离散程度。

如果作者把结果写成：

Age = 56.2 ± 1.2 years

而 1.2 实际上是 SE，则它表达的是均值估计的精度，不是患者年龄本身的离散程度。

因此：

SD 和 SE 不能因为都写成"Mean ± 某个数"就认为含义相同。

在描述研究对象的原始连续型数据时，尤其是 Table 1，应仔细核实作者报告的是 SD 还是 SE。

3.6 参数估计：点估计只能给一个数，区间估计才能表达不确定性

3.6.1 点估计 Point estimate

假设治疗组平均收缩压下降：

10.2 mmHg

对照组平均下降：

5.2 mmHg

两组样本均值差为：

10.2 − 5.2 = 5.0 mmHg

这个 5.0 mmHg 是对总体真实治疗差异的一个点估计。

但只报告：

Mean difference = 5.0 mmHg

还不能告诉我们这个估计有多精确。

例如下面两项研究的点估计完全相同：

研究A：Mean difference = 5.0 mmHg
研究B：Mean difference = 5.0 mmHg

但如果：

研究A：95% CI 4.2–5.8
研究B：95% CI -1.0–11.0

两项研究提供的信息显然完全不同。

3.7 置信区间：不仅看"有没有效"，还要看"可能有多大"

置信区间（confidence interval, CI）给出与数据和模型相容的一组参数值，并反映估计的精度。

例如：

Mean difference = 5.0 mmHg
95% CI: 1.0–9.0 mmHg

这里至少提供了两类信息：

点估计：5.0 mmHg
区间估计：1.0–9.0 mmHg

区间较窄通常意味着估计较精确；区间较宽意味着不确定性较大。

3.7.1 95% CI 应该怎样理解

在经典频率学派框架下，更严谨的理解是：

如果在相同条件下反复抽样，并每次使用同样的方法构造 95% CI，那么长期来看，约 95% 的这些区间会覆盖真实总体参数。

不建议把已经计算出来的某一个固定区间直接解释为：

"真实值有 95% 的概率落在这个区间里。"

因为在频率学派框架下，总体参数被视为固定值，随机的是抽样及由此构造出的区间。

培训和稿件审核中，更实用的理解是：

95% CI 同时帮助我们判断效应方向、估计精度以及与哪些真实效应大小相容。

3.8 先认识"无效值"：不同效应指标的判断基准不同

置信区间能否跨过"无效值"，对结果解释非常重要。

差值类指标

例如：

Mean difference
Risk difference

无效值通常是：

0

因为"差值 = 0"意味着两组没有差异。

例如：

Mean difference = 5.0
95% CI: 1.0–9.0

CI 不跨 0。

而：

Mean difference = 5.0
95% CI: -1.0–11.0

CI 跨 0。

比值类指标

例如：

OR
RR
HR

无效值通常是：

1

因为比值 = 1 表示两组相等。

例如原课件在 Logistic 回归质量评价中强调：

OR = 2.31
95% CI: 1.42–3.76

OR 位于其 CI 内，且 CI 不跨 1。

如果：

OR = 2.31
95% CI: 0.82–5.64

虽然点估计 OR > 1，但 CI 跨 1，不能仅根据 OR 的点估计声称存在明确的风险增加证据。

3.9 为什么还需要假设检验

参数估计回答的是：

效应大约是多少？不确定性有多大？

假设检验（hypothesis testing）则从另一个角度提出问题：

如果总体中实际上不存在研究者所关注的差异或关联，我们现在观察到这样的数据是否罕见？

这就需要建立两个假设。

3.10 原假设 H₀ 与备择假设 H₁

假设研究一种新降压药。

原假设 Null hypothesis, H₀

例如：

H₀：治疗组与对照组总体平均降压幅度无差异

可以写成：

μT − μC = 0

备择假设 Alternative hypothesis, H₁

双侧检验时：

H₁：两组总体平均降压幅度存在差异

即：

μT − μC ≠ 0

接下来根据研究设计和数据类型选择相应的统计检验，计算检验统计量和 P 值。

3.11 P 值究竟是什么

P 值最容易被误解。

在给定统计模型和原假设成立的前提下，P 值表示：

观察到当前检验统计量这样极端或更加极端结果的概率。

可以把逻辑理解成：

先假设 H₀ 成立
        ↓
问：如果真的没有差异
        ↓
现在这样的数据有多“不寻常”？
        ↓
用 P 值量化

例如：

P = 0.03

不能解释成：

“原假设为真的概率只有 3%”

也不能解释成：

“有 97% 的概率治疗有效”

更不能解释成：

“结果由偶然造成的概率是 3%”

这些都不是经典 P 值的定义。

3.12 α = 0.05 与 P<0.05 到底意味着什么

研究者通常会事先设定显著性水平 α，例如：

α = 0.05

然后比较：

P 与 α

在传统假设检验框架中：

P < 0.05
→ 在 α=0.05 的规则下拒绝 H₀
→ 通常表述为“差异有统计学意义”

如果：

P ≥ 0.05
→ 在该显著性水平下不拒绝 H₀

注意这里应说：

不拒绝 H₀

而不是：

接受 H₀ / 证明 H₀ 为真。

3.13 P>0.05 不等于"两组相同"

假设某项小样本研究得到：

Mean difference = 5.0 mmHg
95% CI: -2.0–12.0 mmHg
P = 0.15

正确的信息是：

当前数据在设定的检验框架下没有提供足够证据拒绝"无差异"的原假设；同时 CI 很宽，提示估计存在较大不确定性。

不能直接写成：

"两种治疗效果相同。"

为什么？

因为 CI 同时容许：

轻微反方向差异
无差异
具有一定临床意义的正向差异

所以：

P>0.05
≠ 证明没有差异
≠ 证明两组等效

真正要证明"等效"或"非劣"，需要相应的研究设计、预设界值和统计方法。

3.14 P<0.05 也不等于"差异很大"

反过来同样成立。

假设一项非常大的研究：

n = 20,000
Mean difference = 0.5 mmHg
95% CI: 0.2–0.8 mmHg
P < 0.001

P 值很小。

但临床问题应该继续问：

0.5 mmHg 的差异是否具有实际临床意义？

因此：

统计学显著
≠ 效应一定很大
≠ 临床意义一定重要

这就是为什么不能只看 P 值。

3.15 为什么统计决策可能犯错

真实世界中我们并不知道 H₀ 究竟是真是假，只能根据样本作出统计决策。

因此存在四种情况：

真实情况不拒绝 H₀拒绝 H₀
H₀ 为真正确决策Ⅰ类错误
H₀ 为假Ⅱ类错误正确发现

3.16 Ⅰ类错误：假阳性

Ⅰ类错误（Type I error）指：

H₀ 实际为真，却被错误拒绝。

直观理解：

实际上没有差异
       ↓
研究结果却判断“有差异”
       ↓
假阳性

Ⅰ类错误概率通常记为：

α

例如设：

α = 0.05

就是在相应检验框架和假设下，将Ⅰ类错误率控制在预设水平。

原课件在多组数据反复使用 t 检验的问题中明确提醒：多组数据进行不恰当的重复两两 t 检验，会增加Ⅰ类错误，即假阳性风险。

3.17 Ⅱ类错误：假阴性

Ⅱ类错误（Type II error）指：

H₀ 实际为假，但研究未能拒绝 H₀。

直观理解：

实际上存在差异
       ↓
研究却没有检测出来
       ↓
假阴性

Ⅱ类错误概率记为：

β

例如真实存在有意义的治疗差异，但样本量太小、数据变异过大，研究可能得到：

P > 0.05

这并不自动说明真实差异不存在。

3.18 Power：发现真实效应的能力

统计功效（power）通常定义为：

Power = 1 − β

它描述：

当预设的真实效应确实存在时，统计检验正确拒绝 H₀ 的概率。

例如：

Power = 80%

意味着在设计所设定的效应大小、变异程度、显著性水平和其他条件下，研究有相应的概率检测到该效应。

Power 与多种因素有关，包括：

  • 样本量；
  • 效应大小；
  • 数据变异；
  • α 水平；
  • 研究设计和统计方法。

因此样本量设计并不是简单地追求"人数越多越好"，而是要结合预期效应、变异程度、α 和目标 power 等因素进行规划。

3.19 P 值之外为什么还要看效应量

P 值主要告诉我们：

数据与 H₀ 的不相容程度如何？

但临床研究还需要回答：

差异究竟有多大？

这就是效应量（effect size）的价值。

原课件在比较常用检验方法时列出了相应效应量：

分析类型效应量/效应指标
t 检验Cohen's d；原始均值差
单因素 ANOVAη²；组均值/两两均值差
秩和检验r；中位数差/Hodges–Lehmann 估计
卡方检验Cramer's V / φ；率差、OR、RR

因此完整结果不应该只剩：

P = 0.003

而应该尽可能回答三个层次的问题：

1. 效应方向是什么？
2. 效应有多大？
3. 这个估计有多精确？

即：

效应估计 + 95% CI + P值

3.20 原始效应量与标准化效应量

为了理解课件中的效应量，可以进一步区分两类。

3.20.1 原始尺度效应

例如：

Mean difference = -5.0 mmHg
Risk difference = -8%
OR = 2.3
RR = 1.8

它们通常具有较直接的医学解释。

例如：

平均收缩压降低 5 mmHg

比单独报告 Cohen's d 更容易直接联系临床意义。

3.20.2 标准化效应量

例如：

Cohen's d
η²
r
Cramer's V
φ

这些指标将效应转换到某种标准化尺度，便于描述效应强弱或跨尺度比较。

但不能把所有研究机械地只用一个标准化效应量。

应根据：

研究问题
+
数据类型
+
统计方法
+
医学解释需求

选择合适指标。

3.21 一个案例：为什么必须同时看 P、效应量和 CI

比较两个研究。

研究 A

n = 40
Mean difference = 5.0 mmHg
95% CI: -0.6–10.6
P = 0.08

研究 B

n = 10,000
Mean difference = 0.5 mmHg
95% CI: 0.2–0.8
P < 0.001

如果只看 P：

A → “不显著”
B → “显著”

但进一步看：

研究 A 的点估计较大，但 CI 较宽，说明数据仍然存在较大的不确定性。

研究 B 的估计非常精确，统计学证据较强，但实际差异只有 0.5 mmHg，是否具有临床重要性需要结合专业背景判断。

因此：

P 值回答的不是"效应有多大"，CI 和效应量提供了 P 值无法替代的信息。

3.22 P 值与 95% CI 为什么经常可以相互核对

对于常见的双侧检验，在模型、显著性水平和 CI 构造方法相互对应时，P 值和 95% CI 通常具有一致关系。

差值类指标

95% CI 不跨 0
↔ 通常 P < 0.05

比值类指标

OR / RR / HR 的 95% CI 不跨 1
↔ 通常 P < 0.05

原课件在 Logistic 回归审核中就使用了这一原则：

OR = 2.565
95% CI: 1.382–4.761
P = 0.003

CI 不跨 1，P<0.05，方向一致。

而如果稿件出现：

OR = 2.31
95% CI: 1.42–3.76
P = 0.28

则应重点核查。

但编辑审核时不要把这个规律机械绝对化，因为在不同检验方法、CI 构造方法、单/双侧检验、舍入等情况下可能存在差异。

3.23 为什么多重比较会增加假阳性

假设研究者只做一次检验，并设：

α = 0.05

现在假设研究者进行很多次独立检验，每次都仍使用 0.05 作为阈值。

即使所有 H₀ 都是真的，只要检验次数不断增加：

至少出现一次假阳性的机会就会增加。

在"20 次相互独立且每次 α=0.05"的理想化例子中：

P（至少一次假阳性）= 1 − (1 − 0.05)20

约为：

64%

这个例子不是说所有现实多重比较都恰好是 64%，而是用于说明：

重复进行大量未经校正的检验，会导致整体Ⅰ类错误风险膨胀。

3.24 一个医学研究中的典型多重比较错误

假设研究有 4 个治疗组：

A
B
C
D

作者分别进行：

A vs B
A vs C
A vs D
B vs C
B vs D
C vs D

一共 6 次两两比较。

如果每一次都直接按照：

P < 0.05

判断，而完全不考虑整体多重检验问题，假阳性风险可能被放大。

这正对应原课件强调的问题：

多组数据不能简单通过反复两两 t 检验解决；应先采用适合多组比较的总体方法，并在需要进一步定位差异时采用适当的事后多重比较策略。

3.25 多重比较的基本处理思路

本节只建立概念，不深入具体统计方法。

常见思路包括：

Bonferroni

如果计划进行 m 次比较，可将单次比较阈值调整为：

α* = α / m

例如：

α = 0.05
m = 5

则：

α* = 0.01

Bonferroni 简单、保守，主要用于控制 family-wise error rate（FWER）。

Holm

Holm 方法也是控制 FWER 的常用方法，通常比简单 Bonferroni 更有统计效率。

FDR

在基因组学、转录组学等一次进行大量假设检验的场景中，经常更关注 false discovery rate（FDR）。

本节不要求记忆各种算法，而要记住：

只要同一研究问题中进行了大量检验，就应该主动想到 multiplicity。

3.26 "总体检验显著"以后为什么还要事后比较

假设有 4 个治疗组。

ANOVA 总体检验得到：

P < 0.001

这首先说明：

至少存在某些组之间的总体均值差异证据。

但它没有直接告诉我们：

A vs B？
A vs C？
A vs D？
B vs C？
B vs D？
C vs D？

因此需要根据研究设计和分析方案进行适当的事后比较（post hoc comparisons）。

原课件在方差分析部分明确采用了：

主效应
   ↓
若需要明确具体哪些水平不同
   ↓
事后多重比较

所以：

总体检验解决"有没有总体差异"，事后比较进一步解决"差异具体在哪里"。

3.27 把整套统计推断串起来

现在可以把本课所有概念连成一条逻辑链：

研究关注总体
      ↓
但只能观察样本
      ↓
随机抽样产生抽样误差
      ↓
样本统计量存在不确定性
      ↓
SE 描述统计量的抽样变异
      ↓
点估计给出“最核心的估计值”
      ↓
CI 表达估计的不确定性
      ↓
假设检验评估数据与 H₀ 的相容程度
      ↓
P 值提供相应统计证据
      ↓
统计决策存在Ⅰ类/Ⅱ类错误
      ↓
Power 描述检测预设真实效应的能力
      ↓
效应量回答“效应有多大”
      ↓
CI回答“估计有多精确”
      ↓
多重检验时必须控制错误率膨胀

3.28 医学论文中一个结果应该怎样完整阅读

假设论文报告：

Treatment group: -10.2 ± 8.1 mmHg
Control group:   -5.2 ± 7.9 mmHg

Mean difference = -5.0 mmHg
95% CI: -7.8 to -2.2 mmHg
P = 0.001

不要只看最后一个：

P = 0.001

应该依次阅读：

① 效应方向

Mean difference = -5.0 mmHg

首先明确差异方向及组别定义。

② 效应大小

两组平均变化相差约：

5 mmHg

然后判断这个大小是否具有医学意义。

③ 估计精度

95% CI: -7.8 to -2.2

CI 给出了与数据相容的效应范围，并反映估计精度。

④ 统计学证据

P = 0.001

在相应 H₀ 和模型假设下，数据对"无差异"假设提供较强的反对证据。

因此完整解释的顺序更接近：

效应方向
→ 效应大小
→ 95% CI
→ P值
→ 临床意义

而不是：

先找 P<0.05
→ 找到了
→ 分析结束

3.29 医学论文编辑审核：P 值之外应该检查什么

第一层：描述值和推断值有没有混淆

例如：

Mean ± SD

主要描述个体数据分布。

而：

Mean difference + 95% CI

用于表达组间效应估计及其不确定性。

检查作者是否把：

SD
SE
CI

混为一谈。

第二层：P 值解释是否正确

重点警惕：

P=0.03 → “H₀为真的概率是3%”       ×
P=0.03 → “治疗有效概率为97%”       ×
P>0.05 → “两组完全相同”             ×
P<0.05 → “具有重要临床意义”         ×

第三层：P 值和 CI 是否基本一致

对于常见双侧检验：

差值类 CI 是否跨 0？
OR/RR/HR 的 CI 是否跨 1？
P 值是否与之基本一致？

如果明显冲突，应进一步核查。

第四层：点估计是否落在 CI 内

例如：

OR = 2.31
95% CI: 1.42–3.76

合理。

如果：

OR = 2.31
95% CI: 0.82–1.95

点估计本身甚至不在所报告的 CI 内，属于明显需要核查的问题。原课件也将这一点列为 Logistic 回归结果审核重点。

第五层：是否只报告 P 值而没有效应信息

例如只写：

P < 0.001

却不提供：

均值差
OR / RR / HR
相关系数
效应量
95% CI

读者就很难判断效应大小和估计精度。

第六层：多组比较有没有反复做未经校正的两两检验

尤其看到：

3组、4组、5组……

却大量使用：

两两 t 检验

应立即想到：

Ⅰ类错误膨胀
+
多重比较问题

3.30 本课最常见的八个错误认识

错误认识正确理解
P<0.05 就说明效应很大P 值不直接表示效应大小
P>0.05 就说明两组相同只能说当前分析未提供足够证据拒绝 H₀
P=0.03 表示 H₀ 为真的概率是 3%P 值不是 H₀ 的后验概率
95% CI 表示真值有 95% 概率在这个已计算区间里频率学派 CI 应从重复抽样覆盖率理解
SD 和 SE 都是“离散程度”，可以互换SD 描述个体变异，SE 描述统计量估计的不确定性
样本越大，效应一定越大样本量影响精度和检验能力，不决定真实效应大小
做很多次 P<0.05 检验没有问题多重检验会增加整体假阳性风险
总体检验显著就说明每两组之间都显著总体显著不等于所有两两比较均显著

3.31 最终判断框架

看到论文中的统计结果时，可以按下面的顺序思考：

这项研究想推断什么总体参数？
              ↓
样本给出的点估计是什么？
              ↓
效应方向和大小是什么？
              ↓
95% CI 有多宽？
是否跨无效值？
              ↓
P 值是多少？
与 CI 是否基本一致？
              ↓
是否可能存在Ⅰ类/Ⅱ类错误问题？
              ↓
样本量和 power 是否需要关注？
              ↓
是否报告了合适的效应量？
              ↓
是否进行了多次检验？
是否考虑 multiplicity？
              ↓
最后再综合判断统计意义和医学意义

3.32 本节小结

统计推断的核心并不是记住：

P < 0.05

而是理解：

我们只观察了样本，却希望认识总体，因此所有统计推断都伴随着不确定性。

这条主线可以浓缩为：

总体
↓
样本
↓
抽样误差
↓
SE
↓
点估计 + 置信区间
↓
假设检验 + P值
↓
Ⅰ类错误 / Ⅱ类错误 / Power
↓
效应量
↓
多重比较控制

因此，阅读医学论文结果时，最终应形成一个稳定习惯：

不要只问"P 是否小于 0.05"，还要问：效应有多大？方向是什么？95% CI 有多宽？结果有多精确？是否具有临床意义？是否存在多重检验和错误率问题？

下一课进入具体统计方法以后，t 检验、ANOVA、秩和检验、卡方检验、相关分析和回归分析中的 P 值、CI 和效应量，就可以放回这套统一框架中理解。