《Frontiers in Physiology》:Fit one model, report one number: how to analyse a training or intervention study
编辑推荐:
一项典型的训练或干预研究将参与者分配至不同方案(protocols),随时间对其进行重复测量,并探究某一方案是否比其他方案更能改变结局指标。典型的分析方法(如方差分析或混合模型)功能强大,但这种功效在于分解测量值,而非直接给出裁决性结论。此类模型将每个测量值
一项典型的训练或干预研究将参与者分配至不同方案(protocols),随时间对其进行重复测量,并探究某一方案是否比其他方案更能改变结局指标。典型的分析方法(如方差分析或混合模型)功能强大,但这种功效在于分解测量值,而非直接给出裁决性结论。此类模型将每个测量值拆分为多个独立项:一个所有组共享的基准水平(benchmark)、协变量校正(covariate adjustments)、时间进程(time course),以及一个允许各方案遵循自身时间进程的交互项。统计软件为上述每一项输出独立的检验结果,而常见的分析工作流程则将这些检验结果作为研究结论加以报告。然而,研究设计的初衷通常只回答一个问题——即在训练推进过程中,某一方案是否比其他方案更能改善结局。研究人员的立场由此直接引申:应预先选定该比较项并直接对其进行检验,从拟合模型中读取结果,而无需先要求通过总括性(omnibus)检验。这种方法能够恢复常规工作流程可能遗漏的效应,因为要求先通过总括性检验会付出相当大的统计功效(power)代价,正如研究人员的工作示例所示。仅当研究提出的问题本身就是整体性问题时,总括性检验才是正确的检验方法。以研究设计所需的丰富程度拟合模型,然后报告该模型构建初衷所要产出的那一个数字。
**论文解读**
**一、研究背景与问题提出**
在运动与锻炼科学领域,越来越多的研究者开始对已发表的文献进行自我审查:重复验证的效应量远小于原始发表的结果,而不规范的统计报告常常直接阻碍了重复研究。重复验证的前提是,原始研究声明了其试图估计的单一明确的量。然而,现实中许多研究只是报告了模型中达到显著性的项,这并非一个预先声明的量。研究设计是更具影响力的杠杆,但即使一项研究设计良好,仍可能在最后步骤——即拟合模型并从中读取一个关键数字时功亏一篑。
运动与锻炼科学领域广泛采用因子设计(factorial designs)和重复测量设计:参与者被分配至不同的训练方案(如中等强度持续训练MICT、高强度间歇训练HIIT),在多个时间点进行重复测量,并就最大摄氧量(V?O
2max)、跳跃高度或离散型(是/否)应答者状态(responder status)等结局指标进行比较。方差分析、协方差分析以及广义线性模型和混合模型是标准工具。值得回顾的是,这类模型本质上是在分解测量值——如同棱镜将白光分解为不同颜色——而并非直接对其进行检验。例如,一个双因素重复测量方差分析将每个观测值拆分为五个部分:所有组共享的基准水平、各方案与基准的偏离、各时间点与基准的偏离、允许各方案遵循自身时间进程的交互项,以及每位参与者与其所在方案均值的偏离,剩余部分则为残差。
与此相伴,一个常见的分析工作流程是:首先进行总括性检验,然后才考察驱动该研究的那些具体比较。即先拟合全因子模型,标记达到显著性的项,再对这些项进行事后配对比较,最终报告达到显著性的比较结果。这种流程与软件的默认输出顺序一致,表面上像是防止假阳性的一道保护门。然而,研究人员的观点是,这种习惯以三种方式悄然损害研究的初衷:第一,这道门是可用的最分散的检验,因此功效损失最为严重;第二,仅追踪显著项属于基于数据的选择——同一批测量值先选择了假设再检验假设,使存活的估计值向上偏倚并使其名义p值失效;第三,事后比较是通用的而非研究围绕其构建的那个单一目标比较,因此研究为自己并不关心的比较付出了多重性惩罚,而设计所要回答的问题却未被检验。
**二、研究核心主张与论证**
研究人员提出的核心主张可概括为:应预先确定研究旨在估计的目标比较量(estimand),然后直接从拟合模型中读取并检验该比较量,而无需先要求总括性检验通过。这一主张的理论基础在于,训练研究实际提出的问题是具体而明确的——例如,HIIT是否比对照条件在12周内更大幅度地提高V?O
2max。回答这一问题的只有一个模型成分组合,即HIIT的增益减去对照的增益(一个差值的差值)。该量由科学问题本身确定,而非由随后选择的模型确定。模型中的其他成分——主效应、时间进程、受试者随机效应——均为支持忠实拟合的架构,而非研究前来检验的核心量。
研究人员通过协方差校正模型的模拟示例(图1)将代价具体化:60名参与者被分配至三组(对照、MICT、HIIT),每两周测量一次,共12周。在拟合相同模型时,无论协变量是否携带信号,总括性检验均未能检测到HIIT较对照多出的3.0 mL·kg
-1·min
-1的优势(p=0.297和p=0.444),而预先指定的单一比较则两次均检测到该效应(p=0.003和p=0.002)。原因在于,总括性检验必须涵盖三种方案在七个时间点上所有可能差异的方式(共12种独立比较),而研究仅关心其中之一。将相同证据分散到12个问题而非1个问题,正是功效损失的根源。在3000次模拟研究中,预设比较达到显著性的比例为79%,而总括性检验仅为40%。对于离散型应答者结局,采用允许受试者内测量相关性的逻辑回归模型,聚焦检验同样明显优于总括性检验(功效72%对41%,以及独立观测时67%对36%)。差距大小取决于设计:总括性检验需要覆盖的方式越少,差距越小——但关键不在于差距大小,而在于这一差距的存在仅仅因为总括性检验在回答一个研究从未提出的问题,因此不是需要缩小的代价,而是应当完全避免的代价。
**三、关键技术方法概述**
研究人员采用了基于线性模型理论的推演和蒙特卡罗模拟研究相结合的方法。首先,从方差分析、协方差分析和混合模型的代数分解出发,阐明目标比较量的数学形式。随后,设计模拟数据生成过程:模拟60名参与者分配至三组(Control、MICT、HIIT),在0到12周内每两周测量一次,生成已知效应量(HIIT较对照多3.0 mL·kg
-1·min
-1)。针对连续型结局拟合协方差校正模型(调整年龄、性别及六项额外协变量)和随机截距模型,针对离散型结局拟合广义估计方程逻辑回归模型。对每种情境均计算预设直接比较和总括性检验的检验功效(通过3000次重复模拟),并以图示直观展示拟合轨迹和效应估计的不确定性。
**四、主要研究结果**
**(1)协方差校正模型中总括性检验与预设比较的功效对比**
在图1展示的模拟中,无论模型中协变量是否携带预测信号,总括性检验(方案×时间的交互项)均未能达到显著性,而直接从同一拟合模型中读取的预设线性斜率差异(目标比较量ψ)则准确检出预置效应。3000次模拟显示,预设比较的功效约为总括性检验的两倍(79%对40%)。
**(2)混合模型中允许个体应答轨迹差异的情境**
当给予每位参与者各自的随机截距和随机斜率(即允许个体间应答速率不同),模型形式更为丰富,但报告的数字仍为一个:HIIT减去对照在12周时相对于基线的差值(ψ=3.55±1.37 SE,p=0.010)。同一拟合模型的总括性检验仍不显著(p=0.165)。在3000次模拟研究中,预设比较达到显著性的比例为68%,而总括性检验仅为42%。
**(3)离散型结局中的表现**
对于重复测量的离散型应答者结局(如是否应答),采用能处理受试者内相关性的逻辑回归模型,聚焦检验的功效为72%,总括性检验为41%;当观测值相互独立时,对应功效分别为67%和36%。
**(4)效应表达形式对结论的影响**
对于离散型结局,效应可以表述为应答率的差值或比值(如比值比)。二者并不联动变化:在基线应答率为10%、MICT达到40%而HIIT达到70%的情境中,差值表述为30个百分点,比值比为3.5;但当MICT达到80%时,相同的比值比仅使HIIT达到93%,差值缩小为13个百分点。两者均无误,因此必须预先声明研究所主张的是差值还是比值。
**(5)效应形式的选择:线性斜率与时间点差异**
若训练效应在4至6周后趋于平台,预设线性斜率差异可能在期末严重高估实际差异率(模拟中约高估12倍)。因此建议优先选择假定最少的效应形式:将时间作为分类因子,比较固定时间点的组间差异;仅当可在事先论证线性或变化速率本身即为研究问题时,才主张斜率差异。
**五、讨论与结论**
研究人员的建议可简要概括为:以设计所要求的丰富程度拟合模型,然后基于研究设计所要进行的比较——而非软件打印的表格——进行推断。这要求使用更大而非更小的模型:纳入设计所需的所有协变量、时间点和随机效应,然后从拟合结果中读取唯一相关的数字。在模拟中,一个真实的、预设的效应因总括性检验未通过而被搁置——而该检验本就不应被期望通过。
这并非反对总括性检验本身:当研究预设的问题就是整体性问题时(如筛选六种恢复方式之间是否存在任何差异,而不预先倾向于任何一种),总括性检验是正确的主要结果。研究人员仅反对让总括性检验充当预设问题的守门人,或反对按组别或时间点分割数据进行多次检验而非采用单一模型和单一对比更有力地回答问题。此外,预先指定比较量本身尚不足够:必须同时确定效应的标度(差值或比值)和形式(特定时间点的差异或变化斜率),并在随机化前测量协变量、检查协变量在各组间效应是否一致、允许参与者有不同的应答速率、预先规划缺失数据处理方案,并对离散型结局检验是否存在过度离散和受试者内相关性。
研究结论可翻译为:统计模型是估计有意义量的工具,而非默认检验的菜单。若认真对待这一观点,将重塑上游实践:研究围绕目标比较量规划,预注册声明其对比项和标度,评审者则追问该量是否得到良好估计,而非总括性检验是否达到显著。这也为重复研究文献提供了可操作的对象——因为一个声明了单一数字的研究,同时也声明了重复验证应当试图恢复的那个量。总括性检验在其所回答的整体性问题中保留其位置,但不应当替代研究者前来提问的那个具体问题。自由分解,严格检验。