📊 statistics

Assessing covariate-adjusted risk differences in small-sample clinical trials

本文评估了小样本临床试验中估计协变量调整风险差异的方法，发现尽管标准g-计算法常因估计量与方差估计之间的不匹配而导致I类错误膨胀，但稳健变体及Mantel-Haenszel等经典方法能提供更优的误差控制，从而为将推断目标与恰当统计技术相协调提出了实用建议。

原作者： Martin Schnuerch, Alex Ocampo, Klaus Kähler Holst, Christian Stock

发布于 2026-05-20

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Martin Schnuerch, Alex Ocampo, Klaus Kähler Holst, Christian Stock

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你是一名法官，试图判断一种新药（治疗 A）是否比糖丸（治疗 B）更有效。在一个理想的世界里，你只需将药物给一半人服用，将药丸给另一半人服用，统计谁康复了，然后比较数字。这就是“未调整”的方法。

但在现实生活中，人们并非完全相同。有些人年龄较大，有些人病情严重，有些人病情轻微。这些差异就像背景噪音，可能使结果看起来杂乱无章。为了获得更清晰的图景，统计学家试图对这些差异进行“调整”，本质上是在问：“如果所有人的年龄和病情严重程度分布都相同，药物是否仍然胜出？”

这篇论文是一场大规模的味觉测试竞赛，比较了十种不同的统计“配方”，用于进行这种调整，专门针对小型临床试验（即患者数量较少，例如 30 到 150 人）。作者希望找出哪种配方能给出最诚实的答案，而不会歪曲结果。

以下是他们发现的简要说明：

1. 目标：测量“风险差异”

他们避免使用难以解释的复杂数学（例如“比值比”，作者将其比作一张无法显示实际地形的混乱地图），而是专注于风险差异。

类比：如果服用糖丸的人中有 20% 康复，而服用药物的人中有 40% 康复，那么“风险差异” simply 就是20%。这是一个直接、诚实的数字：“药物帮助了每 100 人中的另外 20 人。”

2. 竞争者：统计配方

作者测试了三种主要的方法类型：

“老派”守卫（Mantel-Haenszel 和 Suissa-Shuster）：
这些就像经验丰富、谨慎的守卫。它们不依赖可能失效的复杂数学模型。
- 优点： 它们极其可靠。当没有狼时，它们几乎从不喊“狼来了”（它们很少发出误报）。
- 缺点： 它们有点慢且固执。它们没有利用所有关于患者背景的信息，因此有时会错过真实的效果（功效较低）。
“现代”建筑师（G-Computation）：
这些就像高科技建筑师，他们构建患者的详细 3D 模型来预测结果。他们使用计算机模型（逻辑回归）来模拟如果所有人背景相同会发生什么。
- 优点： 它们可以非常高效且强大，特别是当你拥有连续数据（如确切年龄或血压）而不仅仅是类别（如“年轻”或“年老”）时。
- 缺点： 在非常小的群体中，它们复杂的模型可能会变得不稳定。有时它们过于兴奋，开始看到并不存在的模式（误报）。
“混合”修复方案：
作者测试了几种“补丁”来修复不稳定的“现代建筑师”。一些使用了惩罚（就像秤上的配重以防止其摇晃）或稳健数学（三明治估计量）来使模型更稳固。

3. 重大发现：“小样本”陷阱

最重要的发现是关于小型试验（N ≤ 150）的。

问题： 当你只有很少的患者时，“现代建筑师”方法（特别是标准方法）往往会高估其信心。
- 隐喻： 想象一位只有三天数据的天气预报员。如果使用标准公式，他们可能会说：“有 99% 的概率会下雨！”而实际上只是 50/50 的概率。他们过于自信。在统计学中，这被称为"I 类错误膨胀”——声称药物有效，而实际上可能无效。
原因： 论文发现，这不仅仅是因为样本量小；而是因为用于测量不确定性的数学与所提出的问题不匹配。这就像用尺子去测量重量。数学是“错位”的。

4. 胜者与败者

“误报之王”： 标准的 G-计算方法（使用特定的方差公式）在小型试验中往往过于频繁地拉响警报。它们太急于寻找结果。
“安全”赌注：
- Suissa-Shuster 检验（一种精确的、非基于模型的检验）最为保守。它很少发出误报，但也因为过于谨慎而错过了一些真实的效果。
- Mantel-Haenszel 检验（一种经典的分层方法）也非常安全可靠，尽管它无法很好地处理连续数据。
“平衡”解决方案：
- 作者发现，如果你采用“现代建筑师”方法并添加稳健修复（如 Liu-Xi 方差估计量或 Firth 惩罚），它们会变得安全得多。它们不再发出误报，尽管为了换取安全性，它们变得稍微保守一些（功效降低）。
- 得分检验和Bootstrap 方法（多次重采样数据）提供了一个良好的中间地带，尽管在极小的样本中，它们仍略有过于乐观的倾向。

5. 最终裁决：“让工具匹配工作”

论文得出结论，没有一种“最佳”方法适用于所有情况。这取决于你最看重什么：

如果你需要绝对的安全（没有误报）： 坚持使用老派的、基于设计的检验（Suissa-Shuster 或 Mantel-Haenszel）。它们很枯燥，但可靠。
如果你想利用患者数据获得更精确的答案： 你可以使用现代的 G-计算方法，但是你必须使用特定的“稳健”数学公式（如 Liu-Xi 或得分检验），以控制误报。
黄金法则： 你必须确保你的问题（你试图测量的内容）、你的计算器（点估计）和你的安全检查（方差）都使用同一种语言。如果它们不匹配，你的结果将具有误导性，特别是在小型试验中。

简而言之： 在小型临床试验中，不要仅仅抓取最复杂的统计工具。如果你这样做，你可能会得到一个看起来令人印象深刻但实际上是误报的结果。你需要选择一种足够坚固的工具以适应你试验的小规模，并确保你的数学没有就你的确信程度向你撒谎。

技术摘要：评估小样本临床试验中的协变量调整风险差异

问题陈述
二分类终点在随机对照试验（RCT）中无处不在。传统上，源自逻辑回归的条件优势比一直是评估治疗效果的标准。然而，优势比存在可解释性问题，不具备可加性（即即使没有交互作用，边缘效应与条件效应也会发生偏离），并且依赖于强烈的建模假设。近期的监管指南，特别是美国 FDA 的指南，强调了边缘估计量（总体平均治疗效果）的重要性，并鼓励进行协变量调整以提高效率。

因此，风险差异（RD）作为一种更具可解释性和可加性的指标而日益受到重视。然而，在小样本（ $N \le 150$ ）环境下估计和检验协变量调整后的风险差异的方法学仍未得到充分探索。常见于 II 期开发、罕见病和儿科领域的小样本试验面临特定挑战：渐近近似往往失效，导致估计量有偏、方差被低估、p 值校准不当以及置信区间（CI）覆盖率不佳。此外，g-计算（标准化）方法虽然灵活，但依赖于逻辑回归工作模型，在稀疏数据中可能遭遇分离（separation）或不收敛的问题。在这些情境下，目前缺乏关于如何对齐估计量、点估计量和方差估计量的既定最佳实践。

方法学
作者进行了一项全面的模拟研究，以评估十种统计方法在具有二分类终点和预后分类基线协变量的双臂 RCT 中估计和检验风险差异的表现。

模拟设计：该研究模拟了一个假设试验，采用简单随机化（ $1:1$ ），包含二分类结果 $Y$ 和两个二分类协变量 $X_1, X_2$ 。数据通过逻辑模型生成，设定固定的边缘对照组响应概率（0.20）和变化的治疗效果（ $\delta = 0, 0.15, 0.30$ ）。协变量的预后强度和总样本量（ $N \in \{30, 60, 90, 120, 150\}$ ）被设定为变量，共创建了 45 种情景，每种情景进行 50,000 次重复。
目标估计量：模拟框架针对边缘治疗效果（MTE）评估性能，MTE 定义为总体分布上的平均治疗效果。
评估方法：
1. 未调整：Suissa–Shuster 精确非条件检验（针对 MTE）。
2. 分层（Mantel–Haenszel）：Cochran–Mantel–Haenszel（CMH）检验（针对条件治疗效果，CTE）；Sato 方差的 MH 风险差异（针对条件总体平均治疗效果，CPATE）；修正的 Greenland–Robins（mGR）方差的 MH 风险差异（针对 MTE）。
3. G-计算（标准化）：六种变体，在方差估计和工作模型调整方面有所不同：
  - Ge 等人（基于模型的 Delta 法；针对 CPATE）。
  - Liu 和 Xi（稳健三明治方差 + 协变量变异性项；针对 MTE）。
  - Ye 等人（半参数稳健方差；针对 MTE）。
  - Steingrimsson 等人（非参数自举法；针对 MTE）。
  - Zhang 等人（稳健得分检验；针对 MTE）。
  - Firth（惩罚逻辑回归以处理分离问题；与 Ge 的方差配对；针对 CPATE）。

主要贡献与结果

计算稳定性：即使在 $N=30$ 时，逻辑回归模型的不收敛也极为罕见（ $<0.004\%$ ）。然而，在具有强预后协变量的小样本中，分离（完美预测）频繁发生（在 $N=30$ 时高达 $>30\%$ ）。研究发现，由协变量驱动的分离并未实质性降低 g-计算方法的性能，而由治疗指标驱动的分离则影响了所有方法。
I 类错误控制：
- 膨胀：几种使用标准 Wald 型推断的 g-计算方法（Ge 等人、Ye 等人）在极小样本（ $N=30$ ）中表现出显著的 I 类错误膨胀，这主要是由于当估计量（MTE）与方差估计量（条件性）未对齐时导致的方差低估。
- 保守性：稳健变体（Liu 和 Xi）和惩罚模型（Firth）在小样本中保持了严格的 I 类错误控制（通常低于 0.05），但代价是降低了统计功效。
- 稳健性：Suissa–Shuster 检验和 CMH 检验在所有情景下均表现出优异的 I 类错误控制，尽管前者始终最为保守。
统计功效：
- I 类错误膨胀的方法（Ge、Ye）显示出最高的功效，反映了其宽松的性质。
- 保守方法（Liu-Xi、Firth、Suissa–Shuster）在小样本中显示出最低的统计功效。
- 使用得分检验或非参数自举法的 g-计算方法提供了中间路线。
- 值得注意的是，在分类协变量的特定设定下，当需要严格的 I 类错误控制时，g-计算并未显示出相对于 MH 检验的显著功效优势。作者指出，g-计算的效率增益预计在与连续协变量（本模拟未包含）结合时更为显著。
估计与覆盖率：
- 偏差：大多数方法是无偏的。基于 Firth 的方法引入了风险差异估计值的向下偏差（由于向 0.50 收缩），但实现了更低的均方根误差（RMSE）。
- 覆盖率：g-计算（Ge、Ye）和 MH 风险差异的标准 Wald 区间在小样本中显示出严重的覆盖率不足。Liu–Xi 和 Firth 方法即使在样本量较小时也提供了极佳的覆盖率（接近名义上的 95%），尽管它们的检验行为较为保守。

意义与建议
本文认为，小样本协变量调整分析中观察到的 I 类错误膨胀通常反映了估计量与方差估计量之间的未对齐，而非调整方法本身的根本性失败。具体而言，使用忽略协变量分布变异的条件方差估计量来推断边缘估计量，会导致非保守的结果。

作者提供了以下实用建议：

针对严格的 I 类错误控制：Suissa–Shuster 精确非条件检验具有高度稳健性，但通过忽略协变量而损失了效率。对于分类协变量，CMH 检验是一个稳健的替代方案。如果必须进行协变量调整，稳健的 g-计算（Liu–Xi 方差或 Firth 模型）可确保保守的错误控制。
针对平衡功效与错误控制：结合 Zhang 得分检验或非参数自举法的 g-计算提供了一种折衷方案，显示出适度的错误膨胀，但比保守方法具有更高的功效。
针对估计准确性：Liu–Xi 和 Firth 方法在小样本中提供了最可靠的置信区间覆盖率，尽管 Firth 方法引入了偏差。
对齐是关键：本研究强调，方法选择必须受目标估计量（MTE 与 CPATE）和推断框架的指导。g-计算为估计、检验和区间构建提供了统一的框架，但推断程序（方差估计量或检验统计量）必须明确与所选估计量对齐，以确保推断的有效性。

研究结论认为，虽然 g-计算是一个强大的框架，但其在小样本中的应用需要仔细选择方差估计量和工作模型，以避免错误率膨胀，且没有任何单一方法在所有性能维度上占据主导地位。