三位統(tǒng)計學家在Nature上發(fā)布公開信，號召科學家放棄追求“統(tǒng)計學意義”，這封公開信一周之內(nèi)吸引了超過800名研究人員共同簽署。大學里好不容易聽懂的統(tǒng)計學，會變成一件沒“意義”的事情嗎？

統(tǒng)計學白學了？

最新一期Nature雜志發(fā)表了三位統(tǒng)計學家的一封公開信，他們號召科學家放棄追求“統(tǒng)計學意義”，并且停止用統(tǒng)計學中常見的P值作為判斷標準。

一般認為P≤0.05或者P≤0.01就有顯著性差異，研究就有統(tǒng)計意義。

統(tǒng)計學上無顯著的結(jié)果并不能“證明”零假設(shè)；統(tǒng)計上顯著的結(jié)果也沒有“證明”某些其他假設(shè)。事實真的是這樣嗎？

他們的這篇文章名為《科學家們起來反對統(tǒng)計學意義》（Scientists rise up against statistical significance）。

標題猶如戰(zhàn)斗檄文一樣令人振奮。在文章發(fā)出不到24小時，就有250多人簽名支持，一周之內(nèi)吸引了超過800名研究人員共同反對。

大學里好不容易聽懂的統(tǒng)計學，會變成一件沒“意義”的事情嗎？

為什么要放棄統(tǒng)計學意義的概念？

幾代人以來，研究人員一直被警告說：統(tǒng)計上不顯著的結(jié)果并不能“證明”零假設(shè)（即假設(shè)各組之間沒有差異，或者某個處理方法對某些測量結(jié)果沒有影響）。統(tǒng)計上顯著的結(jié)果也不能“證明”其他一些假設(shè)。這種誤解用夸大的觀點扭曲了文獻，而且導致了一些研究之間的沖突。

因此，三位統(tǒng)計學家提出一些建議，讓科學家們不至于成為這些誤解的犧牲品。

首先明確必須停止的事：永遠不應(yīng)該僅僅因為P值大于閾值(如0.05)就得出“沒有差異”或“沒有關(guān)聯(lián)”的結(jié)論；或者，僅僅因為置信區(qū)間包含0就得出這樣的結(jié)論。

同時，我們也不應(yīng)該斷定兩項研究之間存在沖突，只因為其中一項研究的結(jié)果具有統(tǒng)計學意義，而另一項則沒有。這些錯誤浪費了研究工作，誤導了政策決策。

例如，考慮一系列對消炎藥意外效果的分析。由于他們的研究結(jié)果在統(tǒng)計學上不顯著，一組研究人員得出結(jié)論說：暴露在這些藥物中與新發(fā)房顫(最常見的心律紊亂)“無關(guān)”，并且這些結(jié)果與之前的一項研究結(jié)果相反，而之前的研究結(jié)果具有統(tǒng)計學意義。

現(xiàn)在，讓我們看看實際的數(shù)據(jù)。研究人員描述了他們的統(tǒng)計不顯著的結(jié)果，發(fā)現(xiàn)風險比為1.2。他們還發(fā)現(xiàn)95%的置信區(qū)間跨越了從微不足道的風險降低3%到非常顯著的風險增加48%(P = 0.091)。研究人員從較早的具有統(tǒng)計學意義的研究中發(fā)現(xiàn)，風險比同樣為1.2。這項研究更加精確，其風險區(qū)間在9%到33%之間(P = 0.0003)。

當區(qū)間估計包含嚴重的風險增加時，得出結(jié)論認為統(tǒng)計上不顯著的結(jié)果顯示“無關(guān)聯(lián)”是荒謬的；同樣荒謬的是，聲稱這些結(jié)果與先前研究中顯示相同觀察效果的結(jié)果相反。然而，這些常見的實踐表明，依賴統(tǒng)計意義上的閾值會誤導我們。

謹防錯誤結(jié)論

這些錯誤以及類似的錯誤普遍存在。對數(shù)百篇文章的調(diào)查發(fā)現(xiàn)，統(tǒng)計上不顯著的結(jié)果被解釋為“沒有差異”或“沒有影響”的約有一半。

2016年，美國統(tǒng)計協(xié)會在《美國統(tǒng)計學家》上發(fā)表聲明，警告誤用統(tǒng)計意義和P值。本月，《美國統(tǒng)計學家》雜志又發(fā)表了40多篇關(guān)于“21世紀的統(tǒng)計推斷：一個沒有P<0.05的世界”的論文。編輯們在介紹這期特刊的時候謹慎地說，“不要說’統(tǒng)計意義重大’”。

《美國統(tǒng)計學家》雜志最新報道

三位統(tǒng)計學家也同意這一點，并呼吁放棄整個統(tǒng)計意義的概念。

停止使用非黑即白的P值，800多研究者同意

這三位統(tǒng)計學家寫完《科學家們起來反對統(tǒng)計學意義》（Scientists rise up against statistical significance）一文草稿之后，邀請了其他人閱讀，并表示如果人們同意三人的觀點，就簽上自己的名字。

沒想到這篇文章得到了諸多人的贊同，在最初的24小時內(nèi)，就有250人簽了名。一星期后，共收到800多份簽名，簽名者包括來自50多個國家的統(tǒng)計學家、臨床和醫(yī)學研究人員、生物學家和心理學家，除南極洲沒人以外，所有大洲都有人簽名。

一名倡導者稱，這是“對統(tǒng)計意義輕率測試的外科手術(shù)式打擊”，也是“一個為更好的科學實踐發(fā)聲的機會”。

同時，三位統(tǒng)計學家也強調(diào)，他們不是在呼吁禁止P值。不是說P值不能在某些特定的應(yīng)用程序中用作決策標準，而是他們與過去幾十年的許多其他研究結(jié)果一樣，呼吁停止以傳統(tǒng)的二分法使用P值——來決定結(jié)果是反駁還是支持一項科學假設(shè)。

避免這種“二分法”的一個原因是，所有的統(tǒng)計數(shù)據(jù)，包括P值和置信區(qū)間，都會隨著研究的不同而自然地發(fā)生變化，并且往往變化非常大。事實上，單憑隨機變化就能很容易導致P值的巨大差異，遠遠不止落在0.05閾值的任何一側(cè)。例如，即使研究人員可以對一些真實的效果進行兩次完美的復(fù)制研究，每次都有80%的機會達到P < 0.05，那么其中一個得到P < 0.01，另一個得到P > 0.30也就不足為奇了。無論P值是大是小，都需要謹慎。

問題不在于統(tǒng)計，而在于人和認知：把結(jié)果分成“統(tǒng)計顯著性”和“統(tǒng)計非顯著性”，讓人們認為以這種方式分配的項目是截然不同的。同樣的問題也可能出現(xiàn)在任何涉及二分法的統(tǒng)計替代方法中，無論是頻域法、貝葉斯法還是其他方法。

不幸的是，科學家和期刊編輯們錯誤地認為，超過統(tǒng)計意義的臨界值就足以證明一個結(jié)果是“真實的”，這導致他們對這類結(jié)果給予了特權(quán)，從而扭曲了文獻。統(tǒng)計上有意義的估計值在大小上向上偏倚，而且可能偏差的幅度很大，而統(tǒng)計上不顯著的估計值是向下偏倚的。

因此，任何側(cè)重于統(tǒng)計學意義的估計的討論都是有偏見的。最重要的是，對統(tǒng)計意義的嚴格關(guān)注鼓勵研究人員選擇一些數(shù)據(jù)和方法，這些數(shù)據(jù)和方法對于某些期望的結(jié)果具有統(tǒng)計顯著性(或者僅僅是可發(fā)表的)，或者對于不期望的結(jié)果沒有統(tǒng)計顯著性，例如藥物的潛在副作用，從而使結(jié)論無效。

預(yù)先登記研究和承諾公布所有分析的所有結(jié)果可以大大減輕這些問題。然而，即使是預(yù)先登記的研究結(jié)果也可能因分析計劃中始終未作決定而產(chǎn)生偏差。即使是出于好意，這也會發(fā)生。

放棄了統(tǒng)計學意義，我該怎么辦？

Nature在2014年的一篇文章中，討論了P值并不像許多科學家所假設(shè)的那樣可靠，當時文章引起了業(yè)界很大反響，由此引發(fā)了后來美國統(tǒng)計協(xié)會在2016年警告濫用統(tǒng)計意義和P值。

如果研究人員確實放棄了統(tǒng)計學意義，他們應(yīng)該做些什么呢？

三位統(tǒng)計學家認為：我們必須學會接受不確定性。

一種實用的方法是將置信區(qū)間重新命名為“兼容區(qū)間”(compatibility intervals)，并以避免過度自信的方式解釋它們。具體地說，建議作者描述區(qū)間內(nèi)所有值的實際含義，特別是觀察到的效果和極限。在這樣做時，他們應(yīng)該記住，考慮到用來計算區(qū)間的統(tǒng)計假設(shè)，區(qū)間極限之間的所有值都與數(shù)據(jù)合理地兼容。因此，在區(qū)間中挑出一個特定的值(例如null值)沒有任何意義。

當談到兼容間隔時，請記住四件事：

首先，僅僅因為區(qū)間給出了與數(shù)據(jù)最相容的值，在給定假設(shè)條件下，并不意味著區(qū)間外的值是不相容的；它們只是兼容性較差。事實上，區(qū)間外的值與區(qū)間內(nèi)的值沒有本質(zhì)上的區(qū)別。因此，說區(qū)間表示所有可能的值是錯誤的。

其次，根據(jù)假設(shè)，并不是所有的值都與數(shù)據(jù)一致。點估計值(point estimate)是最兼容的，接近它的值比接近極限的值更兼容。這就是為什么我們敦促作者討論點估計，即使他們有一個大的P值或一個大的區(qū)間，以及討論該區(qū)間的極限。

第三，與0.05的閾值一樣，用于計算區(qū)間的默認95%本身也是一種任意約定。它基于這樣一種錯誤的想法，即計算出的區(qū)間本身有95%的幾率包含真實值，同時還有一種模糊的感覺，即這是一個自信決策的基礎(chǔ)。根據(jù)應(yīng)用程序的不同，可以調(diào)整不同的級別。而且，就像在抗炎藥物的例子中一樣，如果把區(qū)間估計施加的二分法當作一種科學標準來對待，區(qū)間估計可能會使統(tǒng)計顯著性的問題長期存在。

最后，也是最重要的一點，要謙虛：兼容性評估取決于用于計算區(qū)間的統(tǒng)計假設(shè)的正確性。在實踐中，這些假設(shè)受制于相當大的不確定性。使這些假設(shè)盡可能清晰，并測試你可以測試的假設(shè)，例如通過繪制數(shù)據(jù)并擬合替代模型，然后報告所有結(jié)果。

無論統(tǒng)計數(shù)據(jù)顯示什么，都可以為你的結(jié)果提出理由，但要討論一系列可能的解釋，而不僅僅是你喜歡的那些。推論應(yīng)該是科學的，而不僅僅是統(tǒng)計的。背景證據(jù)、研究設(shè)計、數(shù)據(jù)質(zhì)量和對潛在機制的理解等因素往往比P值或區(qū)間等統(tǒng)計度量更重要。

同時，三位統(tǒng)計學家呼吁消除統(tǒng)計意義，并將置信區(qū)間作為兼容性區(qū)間，這并不是萬靈藥。盡管它將消除許多不好的實踐，但它很可能引入新的問題。因此，監(jiān)測文獻中的統(tǒng)計濫用應(yīng)該是科學界目前的一項優(yōu)先事項。

但是，當原始研究和復(fù)制研究的結(jié)果高度一致時，消除分類將有助于阻止過分自信的斷言、“沒有區(qū)別”的不合理聲明和關(guān)于“復(fù)制失敗”的荒謬聲明。濫用統(tǒng)計意義對科學界和那些依賴科學建議的人造成了很大的危害。P值、區(qū)間和其他統(tǒng)計度量都有它們的位置，但現(xiàn)在是統(tǒng)計意義消失的時候了。

這也并不意味著大學的統(tǒng)計學白上了。研究人員可以從教育自己對統(tǒng)計的誤解開始，最重要的是在每項研究中從多個角度考慮不確定性。從邏輯、背景知識和實驗設(shè)計應(yīng)與P值和類似指標一起考慮，以得出結(jié)論并確定其確定性。

在確定使用哪種方法時，研究人員還應(yīng)盡可能地關(guān)注實際問題。對于使用統(tǒng)計數(shù)據(jù)的最佳方式而言，在抽象理論上給予否定的人，在提出具體情景時，往往會給予肯定的結(jié)果。

簡而言之，要持懷疑態(tài)度，選擇一個好問題，并嘗試以多種方式回答它。畢竟，接近事實需要很多數(shù)字。

最后，介紹一下這三位統(tǒng)計學家。

Valentin Amrhein，瑞士巴塞爾大學的動物學教授；

Sander Greenland，加州大學洛杉磯分校的流行病學和統(tǒng)計學教授；

Blake McShane，伊利諾伊州埃文斯頓西北大學的統(tǒng)計學方法學家和營銷學教授。