🧬 biology

Equivalence testing in pesticide risk assessment -- Evaluation and practical guidance for design, analysis and interpretation

本文评估了农药风险评估中的等效性检验框架，证明了虽然增加样点重复对于可靠的监管决策是必要的，但欧洲食品安全局（EFSA）的原有方法在检测有害影响方面优于其他方法，并且通过协变量调整或反聚类随机化，可以在减少样点数量的情况下保持统计效能。

原作者： Dimitry Wintermantel, Julia Osterman, Magdalena M. Mair, Florian Hartig

发布于 2026-07-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Dimitry Wintermantel, Julia Osterman, Magdalena M. Mair, Florian Hartig

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下你是一名法庭上的法官，但你的任务不是判定某人是否有罪，而是判定一种新的农药对蜜蜂是否安全。长期以来，游戏的规则一直是：“如果我们无法证明这种农药正在伤害蜜蜂，那么它就是安全的。”

这个旧规则的问题在于，有时法庭太小，或者证人太混乱，亦或是证据太杂乱，以至于即便伤害确实存在，我们也看不见它。这就像是在嘈杂的体育场里试图听清一声耳语；仅仅因为你没听到，并不代表那声耳语不存在。本文认为，这种“沉默即安全”的做法让危险的农药从缝隙中溜了过去。

以下是使用简单类比对本文研究结果进行的拆解：

1. 新规则：“证明你是安全的，而不只是无害的”

欧洲食品安全局（EFSA）已经改变了规则。现在，农药公司（被告）必须证明其产品导致的蜂群规模下降幅度小于 10%。这被称为等效性检验（Equivalence Test）。

旧方法（差异检验/Difference Test）： “蜜蜂死了吗？如果我们无法证明它们死了，你就赢了。”（这就像是在说，“如果我无法证明你偷了我的钱包，那就说明你没偷”，即便我其实看得很不仔细）。
新方法（等效性检验/Equivalence Test）： “向我们展示你的破坏程度如此之小，以至于低于 10% 的界限。如果你无法证明自己低于这条线，你就输了。”

2. 争议点：两把不同的尺子

一些批评者（Hotopp 等人）认为新规则过于严格。他们说：“蜜蜂的数量自然会有起伏，就像过山车一样。如果我们把受农药影响的蜜蜂与‘对照组’蜜蜂的平均值进行比较，我们可能会因为自然的波动而误判，从而拒绝掉安全的农药。”

他们提出了一个新的“尺子”：与其将受农药影响的蜜蜂与安全蜜蜂的平均值进行比较，不如将其与安全蜜蜂置信区间的最低点进行比较。他们认为这会让通过测试变得更容易。

本文的判决：
作者运行了数千次计算机模拟（就像把一个视频游戏运行一百万遍来观察会发生什么），发现批评者提出的新尺子实际上是一把松动的尺子。

类比： 想象安全限制是过山车的身高要求（你必须在 6 英尺以下才是安全的）。
- EFSA 规则说： “测量一个人的身高。如果他在 6 英尺以下，他就是安全的。”
- 批评者的规则说： “测量一个人的身高，但在测量之前先减去一点点‘余量’。如果他在减去余量后仍低于 6 英尺，他就是安全的。”
结果： 批评者的规则会让那些实际上“过高”（危险）的人混进来，因为“余量”掩盖了他们真实的真实高度。研究表明，只有 EFSA 规则能可靠地把危险的农药挡在外面。

3. 安全的代价：我们需要多少个蜂箱？

为了确保测试准确（具有统计学上的“效力”/Power），你需要足够多的数据。本文发现，要 100% 确定一种农药是安全的，你需要测试许多不同的地点（样点）以及许多个蜂箱。

问题： 目前的研究通常使用的样点太少。这就像试图通过观察一棵树来判断整个森林的质量。
解决方案： 本文表明，如果一种农药确实是安全的（或者造成的伤害极小，例如下降 5%），你并不需要像旧规则建议的那样使用那么多样点，但是你仍然需要比目前使用的更多样点。

4. 魔术技巧：“平衡天平”

本文提供了一种聪明的办法，可以在不损失准确性的情况下减少所需的蜂箱数量。这被称为反聚类随机化（Anticlustering Randomization）。

类比： 想象你正在将一群人分成两队参加比赛。如果你只是从帽子里随机抽名字，其中一队可能会意外地得到所有的长跑选手和快跑选手，而另一队则得到矮个子和慢跑选手。比赛结果会是不公平的，不是因为他们穿的鞋子（农药），而是因为他们的身高。
解决方法： 在比赛开始前，你仔细地将高个子选手与矮个子选手配对，并均匀地分配到两队中。这确保了两支队伍在起跑线上处于平等的地位。
在论文中： 研究人员创建了一个计算机工具（一个 R 函数），可以帮助科学家安排他们的蜂箱，使强壮的蜂群和虚弱的蜂群在“安全组”和“农药组”之间达到完美的平衡。这种“平衡竞争环境”的方法意味着你只需要更少的蜂箱就能得到清晰的答案，从而在保护蜜蜂的同时节省成本和时间。

5. 最终总结

不要相信“松动的尺子”： 批评者提出的替代性测试让危险农药更容易获得批准。
要信任 EFSA 规则： 它很严格，但它是唯一能可靠保护蜜蜂的规则。
要把数学算对： 我们需要的样点比目前使用的要多，但我们可以通过智能规划（平衡蜜蜂）来减少所需的样点数量。
解读很重要： 如果一项研究未能证明某种农药是安全的，这并不自动意味着该农药是有害的；它只是意味着我们还没有证明它是安全的。我们不应该仅仅因为没有找到伤害的证据，就称其为“安全”。

简而言之，为了保护我们的授粉昆虫，我们需要停止猜测，开始用严格、公平的尺子进行测量，同时利用智能化的组织方式，确保我们的测量结果是清晰准确的。

技术摘要：农药风险评估中的等效性检验

问题陈述

农药的监管风险评估（特别是针对西方蜜蜂 Apis mellifera）在历史上一直依赖于差异性检验（即针对“无效应”虚无假设的显著性检验）。这种方法在统计效能不足的研究中容易产生 II 类错误（假阴性），即由于高变异性或低重复次数，导致严重的有害效应未能被检测出来。因此，一些对授粉媒介有害的农药曾一度通过监管审批，随后才被限制或禁用。

虽然欧洲食品安全局（EFSA）在 2023 年修订了其指南，转向使用等效性检验（具体为非劣效性检验），以确保农药效应不超过 10% 的蜂群规模缩减这一特定保护目标（SPG），但这一方法也面临着批评。批评者（尤其是 Hotopp 等人，2024）认为，EFSA 的框架要求过多的样点重复，使得监管审批在实际操作中变得不切实际。他们提出了一个替代方案——“Hotopp 检验”，该检验将处理效应定义为对照组 90% 置信区间的下界，认为这考虑了自然变异性。本文解决的核心问题是：EFSA 的建议与 Hotopp 的替代方案，哪一个能更好地防止将高风险农药错误地归类为“低风险”，以及进行可靠评估实际所需的样本量是多少。

研究方法

作者利用来自真实工业研究（Rolke 等人，2016）的对照组数据作为分布参数的基准，进行了模拟现实中蜜蜂野外研究的广泛参数化自助法（bootstrap）模拟。

模拟设计：

数据生成： 作者模拟了具有不同样点数量（4 到 45 个）和固定每个样点蜂箱数（6 个）的数据集。他们使用带有负二项分布的广义线性混合模型（GLMM）生成了初始蜜蜂计数及随后的时间点数据，并纳入了样点和蜂箱的随机效应。
处理效应： 模拟的农药被分配了从 0% 到 -20%（蜂群规模缩减）不等的真实效应值。
调整策略： 研究评估了处理初始蜂箱规模差异性的四种策略：
1. 无调整： 忽略初始规模。
2. 设计调整： 使用一个新的 R 函数（experimental_allocation()）进行反聚类随机化（anticlustering randomisation），在实验前平衡各处理组和各样点之间的初始蜜蜂数量。
3. 统计调整： 在 GLMM 中将初始规模作为协变量纳入。
4. 组合调整： 同时利用设计调整和统计调整。
检验比较： 模拟比较了三种统计方法：
1. EFSA 等效性检验： 一侧非劣效性检验，其虚无假设是效应超过 10% 的 SPG（在 $\alpha = 0.2$ 时进行检验）。
2. Hotopp 等效性检验： 一种通过将基准平移至对照组 90% 置信区间下界的替代检验。
3. 差异性检验： 传统的显著性检验（单侧， $\alpha = 0.05$ ）。
评估指标： 作者使用帕累托图（Pareto plots）分析了错误分类为“低风险”（等效性背景下的 I 类错误，或称“错误信任”）与错误分类为“高风险”（II 类错误，或称“错误不信任”）之间的权衡。同时，他们确定了要实现对真实效应值分别为 0% 和 -5% 的农药进行 80% 功效（power）分类为“低风险”所需的样点数量。

关键结果

1. EFSA 与 Hotopp 检验的比较

统计权衡： 研究发现，如果调整 $\alpha$ 水平以对齐保护率，EFSA 和 Hotopp 检验在区分高风险与低风险农药的能力上在统计学上是等效的。然而，Hotopp 检验的校准方式不同：在标称 $\alpha = 0.2$ 下，它实际上运行在更高的错误率水平，导致将高风险农药错误分类为“低风险”的比例显著升高。
错误信任率： 在推荐的样本量（10 个样点，6 个蜂箱）下，对于真实效应为 -12% 的农药，Hotopp 检验在 50% 的案例中将其误分类为“低风险”；对于 -15% 的效应，误分类率为 33%。相比之下，EFSA 检验在所有测试的效应值下，均将错误信任率维持在 20% 的标称阈值以下。
关于 Hotopp 检验的结论： 作者认为 H toopp 检验并未提供统计学上的优势，而是降低了检验的严苛性，从而可能诱导通过增加背景变异来通过等效性测试。

2. 样本量要求

低风险农药的可行性： 对于真实效应值为 0% 的农药，EFSA 等效性检验在当前或略微增加重复次数的情况下是可行的（经调整后为 6–7 个样点；未调整则为 9 个样点）。
中等效应的要求： 对于真实效应值为 -5%（一种可容忍但负面的效应）的农药，研究发现使用调整策略需要 24–25 个样点，而不使用调整策略则需要约 34 个样点。
与以往指南的比较： 与 2013 年指南（要求检测出 7% 降幅需 29–41 个样点以达到 80% 功效的差异性检验）相比，新 EFSA 指南（等效性检验）所要求的样点数量通常较低。

3. 协变量调整的影响

方差缩减： 反聚类随机化（设计调整）和统计调整（纳入协变量）都显著减少了实现 80% 功效所需的样点数量。
效率： 与未调整的设计相比，针对初始蜂箱规模进行调整使实现 -5% 效应值 80% 功效所需的样点数减少了每个处理组约 10 个。作者指出，设计调整更具优势，因为它不会减少自由度，且不受事后分析操纵的影响。

主要贡献

验证 EFSA 指南： 本文通过模拟研究提供了证据，证明 EFSA 2023 年的等效性检验框架在统计上是稳健的，并且能够按照指定的 $\alpha$ 水平有效控制错误分类为“低风险”结论的概率，这与 Hotopp 的替代方案形成对比。
实际样本量估算： 研究量化了在不同效应值的农药下，可靠证明安全性所需的具体样点数，明确了虽然对于中等效应需要增加重复次数，但通常低于以往差异性检验范式下的假设。
方法论工具： 作者引入并验证了通过新 R 函数（experimental_allocation()）实现的反聚类随机化，作为一种降低方差和样点需求且具有成本效益的设计策略。
解释框架： 本文提出了一种细致的等效性检验结果解释框架，区分了“已证明低风险”、“已证明高风险”和“未排除高风险”（非显著结果），并反对将非显著的等效性检验直接解读为确定性的高风险证明。

重要性与主张

本文声称，向等效性检验的转变是监管风险评估中一次必要且科学合理的演进。其理由如下：

保护目标得以实现： EFSA 等效性检验确保了特定保护目标（SPG）在受控的误差概率下得到满足，将证明安全的责任放在了化学工业一侧。
没有免费的午餐： 任何试图降低检验严苛性（如 Hotopp 等人所提议）以减少样本量要求的尝试，都不可避免地会增加批准有害农药的风险。
可行性： 通过实施平衡分配等方差缩减策略，新指南的样本量要求是可行的，且通常低于此前用于检测较小效应值的旧指南要求。
普适性： 这些原则不仅适用于蜜蜂，也适用于任何高阶毒理学研究，倡导采用明确的保护目标、非劣效性检验以及实验前的方差缩减策略。

作者总结道，广泛采用这些实践——特别是将 EFSA 等效性检验与平衡分配相结合——将降低授权有害农药的概率，并使监管结果与环境保护目标保持一致。