基础统计概念：概率、假设检验、置信区间、P值等必备知识回顾
在样本量计算与风险比（Hazard Ratio, HR）的解读中，统计推断是连接数据与结论的桥梁。无论是临床试验的期中分析，还是观察性研究的队列比较，我们都需要借助概率语言来量化不确定性。本章将系统回顾四个核心概念：概率与分布、假设检验的逻辑、置信区间的含义以及P值的正确解读。这些概念不是孤立的公式，而是构成“从样本到总体”推断链条的关键环节。理解它们的内在联系，是后续掌握样本量估算公式与风险比效应量的前提。
上图展示了统计推断的整体框架：我们从总体中随机抽样获得样本，基于样本计算统计量（如风险比HR），进而通过置信区间和P值进行推断，最终做出决策。这一链条中，每一个环节都依赖于概率论的基本法则。下面我们逐一拆解这些概念。
2.1 概率与分布：统计推断的基石
核心原理：概率描述的是随机事件发生的可能性，取值范围在0到1之间。在医学研究中，我们关注的是统计量（如样本均值、风险比的对数）的抽样分布——即在重复抽样下，统计量所有可能取值的概率分布。中心极限定理（CLT）保证了当样本量足够大时，样本均值的抽样分布近似正态分布，这一性质是许多参数检验和置信区间构建的理论基础。
关键分布类型：
- 正态分布：对称的钟形曲线，由均值μ和标准差σ决定。用于描述连续型数据的分布，也是t检验、Z检验的基础。
- t分布：比正态分布尾部更厚，适用于小样本（n < 30）且总体标准差未知的情形。随着自由度增加，t分布趋近于正态分布。
- 卡方分布：用于方差检验和分类变量的关联性检验（如列联表分析）。
- 二项分布：描述n次独立伯努利试验中成功次数的分布，常用于事件发生率（如不良事件率）的建模。
- 设定假设：H₀: HR = 1（无风险差异）；H₁: HR ≠ 1（存在差异，双尾）或HR > 1（单尾）。
- 选择检验统计量：如对数秩检验统计量、Wald统计量（log HR / SE(log HR)）。
- 计算P值：基于统计量的分布（如标准正态分布）计算概率。
- 做出决策：若P < α，拒绝H₀；否则不拒绝H₀（注意：不拒绝不等于接受H₀）。
- 误区1：P值是H₀为真的概率。实际上，P值是数据的概率，不是假设的概率。H₀要么为真要么为假，不存在概率。
- 误区2：P值越小，效应越大。P值受样本量影响，大样本下微小效应也能产生小P值。应报告效应量（HR）及其CI。
- 误区3：P > 0.05意味着两组无差异。这只能说明证据不足以拒绝H₀，可能是样本量不足（II类错误），而非真正的无差异。
- 误区4：P值可以用于比较两个研究的结果。不同研究的P值不可直接比较，因为样本量、事件数、基线风险均不同。
案例拆解：假设某药物组的6个月无进展生存率为60%（即p=0.6），入组100例患者。我们想知道观察到的生存率与真实值之间的偏差。根据二项分布，标准差为√(p(1-p)/n) = √(0.6×0.4/100) ≈ 0.049。这意味着，如果重复试验100次，约95%的样本生存率会落在0.6±1.96×0.049，即[0.504, 0.696]范围内。这个区间就是基于抽样分布构建的置信区间雏形。
2.2 假设检验：从零假设到决策
核心原理：假设检验是一种“反证法”逻辑。我们首先建立一个零假设（H₀，通常为“无效应”或“无差异”），然后计算在H₀为真的前提下，观察到当前样本数据（或更极端数据）的概率——这就是P值。如果P值小于预先设定的显著性水平α（通常为0.05），则认为样本数据与H₀不一致，从而拒绝H₀，接受备择假设（H₁）。
操作流程：
案例拆解：在一项比较新药与安慰剂的III期试验中，假设检验的H₀为“两组6个月死亡率无差异”。试验结束后，计算得到HR=0.75，95% CI为[0.58, 0.97]，P=0.028。由于P < 0.05，我们拒绝H₀，认为新药显著降低了死亡风险。但这里的关键是：P=0.028意味着如果两组真实死亡率相同，仅有2.8%的概率会观察到如此大的差异（或更极端）。这并不代表新药有97.2%的概率有效——这是常见的误解。
2.3 置信区间：效应量的精度表达
核心原理：置信区间（Confidence Interval, CI）是一个范围，以一定的置信水平（如95%）包含总体参数的真值。它比点估计（如单一的HR值）提供了更多信息：不仅告诉我们效应大小，还反映了估计的精度。95% CI的含义是：如果重复试验100次，构建100个CI，其中约95个会包含真实HR。
构建方法：对于风险比，通常先计算log HR的标准误（SE），然后构建log HR的95% CI：log HR ± 1.96 × SE(log HR)，最后取指数还原为HR的CI。SE(log HR)的计算依赖于事件数（不是人数），事件数越多，SE越小，CI越窄。
案例拆解：假设一项研究估计HR=1.30，95% CI为[0.98, 1.72]。这个CI包含了1（即无效应），因此虽然点估计提示风险增加30%，但统计上不显著（P > 0.05）。如果另一项研究HR=1.30，95% CI为[1.05, 1.61]，则CI下限大于1，统计显著。注意：两个研究的点估计相同，但后者事件数更多或样本量更大，因此精度更高。CI的宽度直接反映了样本量是否充足。
| 场景 | HR点估计 | 95% CI | P值 | 结论 |
|---|---|---|---|---|
| 研究A | 1.30 | [0.98, 1.72] | 0.068 | 不显著，CI包含1 |
| 研究B | 1.30 | [1.05, 1.61] | 0.015 | 显著，CI下限>1 |
| 研究C | 0.80 | [0.65, 0.98] | 0.032 | 显著，保护性效应 |
上表对比了三种典型结果。研究A的CI较宽，提示样本量可能不足；研究B的CI较窄，精度更高；研究C则展示了保护性效应（HR < 1）。在样本量规划阶段，我们正是通过设定期望的CI宽度或检验效能来反推所需事件数。
2.4 P值的正确解读与常见误区
核心原理：P值是在H₀为真的条件下，观察到当前统计量（或更极端）的概率。它是一个连续度量，而非“显著/不显著”的二元开关。P=0.049与P=0.051之间的差异并不具有实际意义，但许多研究者错误地将0.05作为“魔法阈值”。
常见误区：
案例拆解：一项真实世界研究比较了两种手术方案的并发症率，P=0.04，研究者宣称“有显著差异”。但检查数据发现，并发症率分别为2.1%和1.8%，差异仅0.3个百分点，临床意义有限。相反，另一项研究P=0.06，但并发症率差异为15% vs 10%，临床意义重大，只是样本量不足导致未达统计学显著。这个案例说明，P值必须与效应量、CI和临床背景结合解读。
最后，需要强调的是，统计显著性不等于临床显著性。一个HR=0.95在30000人的试验中可能P<0.001，但5%的风险降低可能不具有临床价值。反之，HR=0.70在200人的试验中可能P=0.06，但30%的风险降低可能极具临床意义。因此，在解读任何统计结果时，请始终回到三个问题：效应量有多大？置信区间有多宽？临床决策是否会被改变？