Table 1 里那个 p 值:随机化已经替你抽过签了,你为什么还要再检验一遍基线平衡?
【锚点】这一篇只钉一个判断:在随机化之后对基线协变量做显著性检验(Table 1 的 p 值),不是「检查随机化是否成功」,而是把一个由设计保证的随机性,误读成一个需要事后修补的缺陷。正确做法是【预先指定协变量、无论平衡与否都调整】,而不是「先检验、不平衡才调整」。
【显式】先把算术摆出来。一个双臂试验,10 个基线协变量,每个都做 α=0.05 的双侧检验。在随机化真实成立的原假设下,至少一个「显著」的概率是 1 − 0.95¹⁰ ≈ 0.40。也就是说,四成的试验在 Table 1 里会至少出现一个 p<0.05 的基线差异——而这不是随机化失败,这是随机化的正常呼吸。Senn (1994, Statistics in Medicine) 和 Altman & Doré (1990, The Lancet) 都反复指出:基线检验的 p 值在原假设下是均匀分布的,它不携带「随机化是否成功」的信息。
【隐式】为什么「不平衡才调整」是数据依赖的选择。如果你先看 p 值、再决定调不调整某个协变量,你的分析模型就变成了数据驱动的:同一个协变量,在这批数据里被调整,在另一批数据里不被调整。这破坏了你报告的 SE 和 p 值的名义覆盖率。Pocock 等 (2002, Statistics in Medicine) 的立场很直接:预先指定协变量,然后无条件调整;不要用基线检验来筛选。
【细微】「检验平衡」和「调整协变量」是两件事,很多人把它们混成一件。检验平衡问的是「这两个组的基线是否相同」——随机化已经回答了,答案是「在期望上相同」。调整协变量问的是「给定这个基线变量,处理效应的估计能否更精确」——这是估计问题,与平衡无关。关键点:即使基线完全平衡,调整一个与结果相关的协变量仍然能提高精度(Freedman 2008;Lin 2013 的「任意协变量调整」结果)。所以「因为平衡所以不用调整」是错的——你放弃的是精度,不是偏差。
【极难发现】真正的基线不平衡,事后调整救不了。如果一次真实的(非偶然的)基线不平衡发生了——比如分层随机化出错、或某个中心的操作偏差——那么:(1) 你在单个试验里无法把它和 5% 的偶然差异区分开,这正是检验无力的地方;(2) 事后调整只能「修正」你观测到的那个协变量,修不了你没测到的混杂;(3) 唯一稳健的修法在【设计】端:分层/区组随机化、或协变量自适应随机化,让不平衡在抽样那一刻就被压住。换句话说:基线平衡是设计问题,不是分析问题。把设计问题留到分析阶段用 p 值来「检查」,是把责任推给了一个没有能力承担它的工具。
【流程节点链路】随机化分配 → 基线协变量在期望上平衡(但单次实现有随机波动)→ 若在分析阶段用 p<0.05 筛选协变量 → 分析模型随样本而变(数据依赖)→ 报告的 SE 名义覆盖率失效 + 放弃本可获得的精度 → 终点:一个看起来「更干净」、实际更不可复现的 Table 1。
一个值得辩论的问题:既然基线检验的 p 值在原假设下均匀分布、不携带信息,那 CONSORT 要求报告 Table 1 的动机到底是什么?我的看法是——它应该报告【描述性统计】(均值/中位数/缺失率),而不是 p 值;p 值那一列是审稿文化留下的化石。你怎么看?






0 評論