聊聊那些年被我们“误用”的统计方法：P值、卡方和相关性

经常看到一些非常出色的临床研究，却因为统计学上的一些小疏漏而影响了论文的质量，甚至导致退稿，非常可惜。今天想和大家分享几个在临床论文中最高频出现的统计学考量点，希望能对正在筹备论文的您有所帮助。

1. “P < 0.05” 之后，我们还能做什么？—— 别忘了“效应值”

我们都知道P值小于0.05代表“差异具有统计学意义”。但这只回答了“有没有差异”，并没有告诉我们“差异有多大”。

• 举个栗子： 比较新旧两种降压药，P值=0.04，说明新药确实有效。但如果新药只比旧药多降低了1mmHg的血压，这个“统计学意义”的临床意义可能就不大了。
• 建议： 在报告P值的同时，务必报告相应的效应值，如均数差（MD）、标准化均数差（SMD）、风险比（HR）、比值比（OR）及其置信区间（CI）。置信区间能更直观地展示效应值的估计范围，价值远大于一个孤立的P值。

2. 楚河汉界要划清：—— 谈谈“卡方检验”的适用条件

卡方检验是分析分类变量关联的利器，但用它之前有个重要前提：理论频数不能太小。

• 常见误区： 不管三七二十一，只要是分类数据，就直接上卡方检验。
• 问题所在： 当有超过20%的格子理论频数小于5，特别是小于1时，标准卡方检验的结果会很不稳定。
• 解决方案：
• 如果是2x2表格，有理论频数小于5但大于1，可以使用 Yates校正卡方 或 Fisher精确检验。
• 对于更大的表格，可以考虑 Fisher精确检验 或 合并类别（但合并要有临床依据，不能为了数值而合并）。

3. 相关不等于因果：—— 解读“相关性分析”的陷阱

我们发现两个变量（A和B）之间存在显著的相关性（比如r=0.6, P<0.01），这非常令人兴奋。但此时一定要保持冷静。

• 可能的情况有：

1. A导致B（这是我们想证明的）。
2. B导致A。
3. 第三个未知因素C同时导致了A和B（即混杂效应）。例如，发现冰淇淋销量和溺水人数高度相关，但背后的“元凶”其实是季节（夏天）。

• 建议： 在得出因果结论前，需要基于研究设计（如随机对照试验）、专业知识和统计控制（如多变量回归控制混杂因素）来综合判断。在论文中描述相关结果时，措辞要谨慎，避免过度推断。

小结一下：

统计是帮助我们更清晰、更严谨地呈现科研发现的工具。多走一步，关注效应值和置信区间；厘清条件，正确使用统计方法；保持审慎，合理解读统计结果——这几点小小的改变，或许能让您的论文在审稿人眼中更加分