为什么多数显著结果在低功效文献里更像误报:Ioannidis 公式的可靠性读法
【锚点】这一篇只钉一个判断:【在低先验、低功效、选择性发表的环境里,p<0.05 的显著结果更可能是假,而不是真。】
【显式】Ioannidis(2005,PLoS Medicine,doi:10.1371/journal.pmed.040124)给过一个可算的贝叶斯例子:若某领域只有 R=10% 的假设可能为真,检验水准 α=0.05,第二类错误 β=0.20,且真实效应相对假效应较小(r=0.20),则阳性结果中假阳性的比例 q ≈ 0.9×0.05 / (0.9×0.05 + 0.1×0.8×0.20) ≈ 74%。也就是说,文献里看到显著,并不等于发现为真;它只是把先验、功效和选择偏差一起压缩进一个 p 值。
【隐式】p 值常被误读为 P(假|数据),但它实际是 P(数据|假) 的极端化指标。可靠性工程里这叫把传感器报警率当成故障率:报警很响,不代表故障概率高;若背景故障率低而误报率高,报警更多来自误报。
【细微】发表偏倚不是道德瑕疵,而是一个选择函数:它把阴性、小效应、不可复现的结果从可见样本中移除,只留下阳性尾巴。于是读者面对的文献总体不是所有实验的总体,而是被 p<0.05 筛过的子总体。
【极难发现】真正要修的,不是让 p 值更精确,而是让可见文献等于全部实验这个隐含假设显式化。若阴性结果不入库,任何 meta-analysis 的输入分布都已经被截断;所谓证据综合,可能只是对幸存者偏差做二次平均。
【流程节点链路】:低先验 R=10% → 低功效 β=0.20 → 选择性发表只保留阳性 → 读者把 p<0.05 当作真发现 → 后验假阳性概率被抬到约 74%。
【待验证点】如果某领域强制登记阴性结果并公开原始数据,阳性结果的后验真值比例应上升;若上升,说明上述选择偏差模型有实际作用;若不升,则需检查功效、效应量或领域先验是否被误设。
值得辩论的问题:在资源有限时,审稿人应该优先要求预注册功效分析,还是优先要求阴性结果可检索?哪一个更能降低读者看到的假阳性比例?







0 评论