3. 区组随机化的原理与优势

各位同事，今天我们来聊区组随机化。这玩意儿说白了，就是把受试者按某种特征（比如入组时间、中心、疾病分期）先分成几个小堆，每个小堆内部再随机分配。你可能会问：「直接全随机不行吗？干嘛绕个弯子？」

嗯，我当年第一次做临床试验设计时也这么想。直到我遇上了一个坑——完全随机分到一半，发现两组基线严重不平衡，尤其是性别比例，差得离谱。项目总监拍桌子问我：「你这随机是怎么做的？」从那以后我就知道，随机化这事不能光靠运气，得用设计的智慧。

区组随机化就是那个帮你兜底的智慧。下面我们掰开揉碎看看它到底是什么，为什么有用，以及做质控时该盯什么。

3.1 核心思想：分层小堆内的公平抽签

想象一下，你有一副扑克牌，要分给两组。如果直接洗牌发牌，可能前几张全是红桃，后几张全是黑桃。但如果你先把牌按花色分成四堆，每堆内部再交叉分配，那么两组得到的花色比例就会非常接近。区组随机化就是类似的操作。

具体来说：我们把受试者按入组顺序或某个分层因素，每几个凑成一个区组（比如6个一包），然后在每个区组内做一次独立的随机分配。这样能保证在每个阶段都有大致相等的人数进入各组。

看我标红的这个例子：每个区组4人，A、B各2人。不管招募顺序如何，每完成一个区组，两组人数一定相等。这就是区组随机化的「即时平衡」能力。

3.2 为什么不用简单随机？——我的踩坑经验

简单随机化就像抛硬币：每个人独立地以50%概率分配。期望值是平衡的，但实际常常不走期望。我有一次做动物实验，前12只大鼠随机分配后，对照组居然有9只，给药组才3只。这种程度的不平衡会让后续统计分析变得非常棘手。

更麻烦的是时间趋势。如果试验周期长，入组顺序和某些未知因素相关（比如气温、批次），简单随机可能会把早期入组的全部分到一组，晚期入组的全部分到另一组。一旦混杂了时间效应，你就分不清是药物效果还是季节影响了。

所以，我个人习惯：只要样本量小于200、入组周期超过3个月，几乎必用区组随机化，而且会加上分层（比如中心、疾病亚型）。后面几章我会细讲分层+区组的组合拳，这一章先吃透区组本身。

3.3 区组大小的选择——经验与陷阱

区组大小怎么定？太小的区组（比如2人一组）会导致分配几乎可预测——要是前一个进了A组，后一个一定是B组。这就有破盲风险了。太大的区组（比如20人一组）呢？平衡效果又变差，和简单随机差不多。

我一般遵循以下原则：

• 区组大小取2的倍数（4、6、8……），方便均分。
• 常用大小：4或6。当总样本量较大时，可用8。
• 避免固定大小：多次使用同样的区组大小会增加可预测性。我建议随机混用两种大小，比如区组大小在4和6之间随机切换。
• 考虑分层因子数量：如果同时分中心、分性别，每个交叉层需要独立分配，区组太大可能导致某些层长期收不满。

3.4 数学模型与代码实现

区组随机化的生成其实很简单。我们用R语言举个例子，生成一个区组大小为6、两组（A、B）的分配序列：

set.seed(42)
block_size <- 6
n_blocks <- 10
assignments <- NULL
for(i in 1:n_blocks) {
  block <- sample(rep(c("A","B"), each = block_size/2))
  assignments <- c(assignments, block)
}
assignments

输出结果可能如下（因为设置了随机种子，你可以复现）：

 [1] "B" "B" "A" "A" "A" "A" "B" "B" "A" "A" "A" "A" ...

注意看：每个区组内A和B各3个，完全平衡。但不同区组之间可重复性不强，这就是「区组内平衡，但序列随机」的精髓。

如果你要做质控掺入——比如提前植入已知的随机化序列来测试系统是否按计划分配——那么你需要能稳定复现这个序列。这时候种子管理就特别重要。我建议：

• 把种子、区组大小、总区组数记录在实验日志中。
• 生成序列后立即锁定并备份。
• 在试运行中人工验证前几个区组的分配是否符合预期。

3.5 潜在缺点与应对措施

区组随机化不是万能的。它有两个主要毛病：

1. 可预测性：如果区组大小固定且较小，在区组末尾，研究者能猜出下一个分配。这可能导致选择偏倚。
2. 实施复杂：与简单随机相比，需要预先准备序列和区组划分，尤其是在多中心、多分层场景下。

应对方法：

• 采用随机大小的区组（比如从{4,6,8}中随机选择）。
• 结合盲法，不让研究人员知晓区组大小。
• 使用中央随机化系统（IVRS/IWRS），自动分配，不留人工操作空间。

3.6 SVG：区组随机化流程总览

下面这张图概括了区组随机化的核心逻辑。你可以把它印刷出来贴在工位旁，每次设计都对照着检查一遍。

3.7 质控掺入的实践建议

如果你正在搭建一套随机化系统，想要验证它的区组功能是否跑对——也就是我们说的「质控掺入实验」——我给你几条实战经验：

• 准备一个「金标准」序列：用已知种子和参数离线生成一批分配结果，记入文档。
• 模拟入组：通过脚本连续提交虚拟受试者，收集系统返回的分配结果，与金标准逐行比对。
• 检查区组边界：确认每完成一组预定数量的受试者，两组人数是否严格相等。
• 检查区组间独立性：前一个区组的分配不应该影响后一个区组。

golden = load_golden_sequence("block4_seed123.csv")
for i in range(1, 200):
    subject = create_virtual_subject(id=i)
    actual = system_assign(subject)
    expected = golden[i-1]
    assert actual == expected, f"Subject {i} mismatch!"
print("All 200 assignments passed.")

我曾经在验收一套IVRS系统时，用了这种方法发现区组大小在系统里被写死了4，而规范要求随机在{4,6}之间切换。如果没有这个掺入测试，入组到一半才发现，那损失就大了。

3.8 本章要点回顾

好，区组随机化的原理和优势就讲到这儿。下一次碰到「需要保持各阶段样本量均衡」的场景，你应该知道怎么选了。记住：平衡不是玄学，是用设计来保证的。