CMH检验：在分层数据中剥离混杂，洞察真实关联

1. 为什么我们需要CMH检验？

想象一下你是一位医生，正在研究某种新药对高血压的治疗效果。你收集了来自5家不同医院的数据，结果发现：在A医院，新药效果显著优于旧药；但在B医院，两种药物效果几乎没差别；到了C医院，旧药反而表现更好。这时候你会不会困惑：到底该相信哪个结果？这种"医院效应"就是典型的混杂因素（confounding factor），它会干扰我们对药物真实效果的判断。

CMH检验（Cochran-Mantel-Haenszel检验）就是为解决这类问题而生的统计方法。它的核心价值在于：当数据存在分层结构时（比如来自不同医院、不同年龄段或不同性别组），能够剥离这些分层变量的干扰，揭示暴露因素（如药物）与结局（如血压变化）之间的真实关联。这就像给数据戴上了一副"降噪耳机"，过滤掉环境杂音，只保留我们关心的核心信号。

在实际应用中，需要CMH检验的典型场景包括：

• 多中心临床试验（各中心医疗水平不同）
• 观察性研究（患者基线特征不均衡）
• 流行病学调查（地区差异显著）
• 任何存在潜在混杂因素的分类数据分析

我处理过一个真实案例：某降压药在三甲医院显示优异疗效，但在社区医院效果平平。初看似乎药物效果不稳定，但CMH检验发现，调整医院等级这个分层变量后，药物效果其实稳定存在。原来是因为三甲医院患者更年轻、并发症更少，造成了虚假的"医院效应"。

2. CMH检验的工作原理

2.1 基本思想：分层与加权

CMH检验的聪明之处在于它不直接合并所有数据，而是先按分层变量（如医院）将数据分组，然后在每个层内单独分析，最后加权汇总结果。这个过程就像先把水果按品种分类，再分别品尝每个品种的甜度，最后给出综合评分。

具体来说，对于每个分层：

1. 构建一个二维列联表（如药物效果的好/坏 × 用药组/对照组）
2. 计算该层的观察值与期望值的差异
3. 根据样本量给该层分配权重（大样本层话语权更重）

最终统计量计算公式为：

code复制CMH = (∑(观察值-期望值))² / ∑方差

这个值服从卡方分布，通过p值判断显著性。

2.2 三种统计量的选择指南

CMH检验其实包含三种子方法，适用不同数据类型：

| 统计量类型 | 适用场景