看透研究|33|统计报告规范:让你的方法部分经得起审查
Methods部分含糊的文章，读者无法判断结论是否可信。这不是夸张，是对"可重复性"这个科学基本要求的字面翻译。
一封退稿信
BRIDGE研究投稿后三周，住院医收到了编辑的意见："The statistical methods are insufficiently described. Please provide details on the software used, model specification, handling of missing data, and correction for multiple comparisons.""他们说统计方法描述不够。但我觉得我已经写了——用MMRM分析主要终点，用Cox回归分析骨折，用Kaplan-Meier画曲线……""你写了用什么方法，没写怎么用。MMRM用的什么协方差结构？固定效应里放了哪些变量？缺失数据的假设是什么？次要终点做了多重比较校正吗？用的什么方法？""这些在论文里都没有，读者怎么判断你的分析是否正确？怎么重现你的结果？"
四个主要报告规范
不同研究设计有对应的报告规范，核心目的一致：让读者在不看原始数据的情况下，能够评估研究方法是否合理，结论是否可信。CONSORT（Consolidated Standards of Reporting Trials）
核心要求：随机化方法（如何产生随机序列，如何隐藏分配）、盲法实施细节（谁被盲、如何实施）、CONSORT流程图（筛选→随机→干预→分析的患者流向）、ITT分析的定义和执行、所有预设终点的结果（不能只报告显著的）。BRIDGE研究需要报告：300例患者的完整流程图，说明25例失访发生在哪个阶段、原因是什么，以及MMRM如何处理这些缺失数据。STROBE（Strengthening the Reporting of Observational Studies in Epidemiology）
核心要求：研究设计的选择理由、暴露和结局的定义及测量方法、混杂因素的处理策略（多变量调整、倾向评分）、敏感性分析。观察性研究比RCT更依赖STROBE——因为没有随机化，设计和分析的透明度是读者评估结论可信度的主要依据。TRIPOD（Transparent Reporting of a multivariable prediction model）
核心要求：预测模型的目的（预测vs解释）、样本量和EPV计算、变量选择方法（不能只写"逐步回归"）、内部验证方法和Bootstrap校正结果、校准曲线和E/O比、DCA结果和临床适用阈值范围。PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）
核心要求：文献检索策略（数据库、检索词、时间范围）、纳入排除标准、偏倚风险评估工具（RCT用Cochrane RoB，观察性研究用NOS）、异质性量化（I²、τ²）、发表偏倚检验、PRISMA流程图（检索→筛题→全文→纳入的文献流向）。
Methods部分：六个必须写清楚的统计信息
不管哪种研究设计，统计方法部分至少需要说清楚以下六件事。一、分析软件与版本
"统计分析使用R软件（版本4.3.1）完成，主要分析包括nlme（版本3.1-163）和survival（版本3.5-7）。"版本号不是格式要求，是可重复性的基础——不同版本的软件，同一个函数的算法可能不同，结果可能有差异。只写"用SPSS进行统计分析"，读者无法判断你用了哪个版本，用了什么检验，假设是什么。二、模型规格
固定效应里放了哪些变量（治疗组、时间、治疗×时间交互项、基线值、协变量）。协方差结构的选择（MMRM用非结构化UN还是AR(1)，选择理由是什么）。"主要终点采用混合效应重复测量模型（MMRM）分析。固定效应包括治疗组、访视时间点、治疗×时间交互项、基线腰椎BMD，以及基线年龄和既往骨折史作为协变量。受试者间协方差结构采用非结构化（Unstructured）矩阵。主要推断基于24月时治疗×时间交互项的最小二乘均值差，用于估计组间差值及其95%置信区间。"三、缺失数据的假设和处理方法
敏感性分析如何检验MAR假设的稳健性（比如最坏情况填补、tipping point分析）。"本研究假设数据在随机缺失（MAR）机制下缺失。MMRM在MAR假设下能够利用所有可用数据进行无偏估计，无需显式填补缺失值。为检验MAR假设的稳健性，预设了三种敏感性分析：完整案例分析（CCA）、多重填补（MI，m=20）、以及对失访患者假设无治疗效果的保守填补。"四、多重比较校正策略
有多少个终点，哪些是主要的，哪些是次要的，哪些是探索性的。每一层用的校正方法（主要终点α=0.05，次要终点Holm校正，探索性终点BH法）。不说明这些，读者无法判断你的5个显著结果里有多少是在多重比较保护下的，有多少是裸奔的p值。五、所有预设敏感性分析
敏感性分析必须在SAP里预设，在Results里完整报告——包括不显著的结果。只报告和主要分析一致的敏感性分析，沉默不一致的，是选择性报告，本质上是一种报告偏倚。六、亚组分析的预设状态
每个亚组分析，必须说明：预设还是事后，交互项检验的结果，以及结论的证据等级（确认性还是探索性假说）。
Results部分：效应量、置信区间和绝对数字
p值是补充，不是主角
"地舒单抗组腰椎BMD增加8.3%，唑来膦酸组增加5.6%，组间差值2.7%（95%CI：1.9%到3.5%），p=0.003。"这是正确的写法——效应量和置信区间在前，p值在后，p值只是补充信息。"两组BMD存在统计学显著差异（p=0.003）。"这是错误的写法——p值在前，没有效应量，没有置信区间，读者无法判断差异有多大，方向如何，精度怎样。p值只告诉你"有没有"，不告诉你"多大"。绝对数字，不只是相对数字
"地舒单抗组骨折发生率5.3%，唑来膦酸组8.0%，HR=0.35（95%CI：0.17-0.74），p=0.006。绝对风险降低（ARR）=2.7%，需治疗人数（NNT）=37。"只报告HR=0.35而不报告ARR和NNT，给临床医生的是一个相对数字——"降低65%的骨折风险"听起来很强，但基线风险8%时的ARR=2.7%，NNT=37，才是临床决策真正需要的数字（第20篇）。几个禁用的统计表达
"趋势显著"（p=0.07）：要么显著，要么不显著，没有"趋势"这个等级。p=0.07在预设α=0.05的框架下就是不显著，加"趋势"二字是在用自然语言绕过统计判断。"高度显著"（p=0.001）：显著性没有等级，p=0.001不比p=0.049"更显著"，只是更小——但统计决策是二元的，越过阈值就是显著，没有高低之分。"接近显著"（p=0.06）：同上，这是不显著，不是"接近"显著。"具有显著差异的趋势"：这是什么意思？没有人能从统计上定义这个表达。这几个说法的共同动机：研究者在p值没有越过阈值时，试图用自然语言的模糊性来软化"不显著"的结论。正确做法是直接报告效应量和置信区间，让读者自己判断临床意义——一个p=0.07但效应量2.5%、CI为0.1%到4.9%的结果，和一个p=0.07但效应量0.1%、CI为-0.5%到0.7%的结果，临床含义完全不同，不应该都被掩盖在"趋势显著"这四个字里。
BRIDGE的Methods标准写法vs常见错误写法
"统计分析采用SPSS 25.0完成。主要终点采用混合效应模型分析。次要终点包括全髋BMD、骨代谢标志物和骨折事件，采用相应统计方法分析。缺失数据采用最后观测值结转法（LOCF）处理。p<0.05认为差异有统计学意义。"这段话的问题：没有说明模型的固定效应和协方差结构；次要终点"采用相应统计方法"完全没有信息量；LOCF已经被淘決，第13篇说明了原因；没有多重比较校正的说明；没有敏感性分析。"统计分析采用R软件（版本4.3.1）完成。主要终点（腰椎BMD24月变化百分比）采用混合效应重复测量模型（MMRM）分析，固定效应包括治疗组、访视时间点、治疗×时间交互项、基线腰椎BMD、年龄及既往骨折史，受试者间协方差结构采用非结构化矩阵。主要推断基于24月时治疗×时间交互项的最小二乘均值差估计组间差值及95%置信区间（双侧α=0.05）。缺失数据假设在随机缺失（MAR）机制下，MMRM利用所有可用数据进行分析，不对缺失数据进行显式填补。预设三种敏感性分析检验MAR假设的稳健性：完整案例分析、多重填补（m=20，Rubin规则合并）及保守性填补。次要终点采用Holm法校正多重比较（预设检验顺序见SAP附录）。所有亚组分析为预设探索性分析，采用治疗×亚组交互项检验效应修正，交互项p值作为主要判断标准。"两段话的信息密度差距，就是一篇文章能不能被审查、能不能被重现的差距。
本篇学到了什么
- 不同研究设计有对应的报告规范：RCT用CONSORT，观察性研究用STROBE，预测模型用TRIPOD，系统综述用PRISMA——规范不是格式要求，是让读者评估结论可信度的前提
- Methods部分六个必须写清楚的统计信息：分析软件与版本、模型规格（固定效应、协方差结构）、缺失数据假设和处理方法、多重比较校正策略、所有预设敏感性分析、亚组分析的预设状态
- Results部分的核心原则：效应量+95%CI是主角，p值是补充；必须同时报告绝对数字（ARR、NNT）和相对数字（HR、RRR）；"趋势显著""接近显著""高度显著"是用自然语言的模糊性绕过统计判断，都是不规范的表达
误用陷阱
"统计分析采用SPSS进行，p<0.05认为有统计学意义。"这是临床研究Methods里最常见的不完整写法，几乎提供了零信息量。没有版本号，没有具体检验方法，没有模型规格，没有缺失数据处理，没有多重比较校正。读者无法判断分析是否正确，无法重现结果，无法评估结论的可信度。这个写法在低影响因子期刊里普遍存在，但高质量期刊的统计审稿人看到这一句，直接要求大修。"所有统计检验均为双侧检验，p<0.05认为差异有统计学意义，统计分析由专业统计师完成。"读者需要的是分析方法的细节，不是执行者的身份背书。统计师可以犯错，规范的Methods写法让读者能够独立判断分析是否正确，这是背书做不到的。"未达到统计学显著性，可能与样本量不足有关（p=0.12）。"这句话的逻辑是：我的结果不显著，但如果样本量更大可能就显著了。这是对统计功效的错误使用——post-hoc power analysis的变体（第27篇）。p=0.12时，正确的处理是报告效应量和置信区间，让读者评估临床意义："观察到的组间差值为1.2%（95%CI：-0.3%到2.7%），95%置信区间包含0，也包含预设的最小临床重要差值2.1%，本研究无法排除临床意义上的效应存在，需要更大样本的研究进一步验证。"
下一篇
从变量类型到生存分析，从缺失数据到贝叶斯更新，从样本量计算到报告规范——每一篇背后都有一个相同的问题：BRIDGE研究的那个78岁患者，腰椎T值-3.1，既往发生过一次无痛性椎体骨折，她来门诊，你怎么做决策？最后一篇，用BRIDGE研究串联全系列的统计决策链——从PICO到分析策略，从主要终点到敏感性分析，从效应量到临床决策，每一个统计选择对应的是哪个临床问题，每一个方法背后假设了什么，违反假设时结论会如何变化。下一篇，这座桥是怎么建成的：统计决策链的全景回顾。
统计报告的目标是让读者在不看你的数据的情况下，能够重现你的分析——做不到这一点的Methods，是不完整的；不完整的Methods，让再好的统计分析都无从验证；无从验证的结论，在循证医学里等于不存在。
