三臂随机对照试验统计设计要点解析——以八段锦降压研究为例

开头

大概三个月前，实验室一个小师弟拿着一张截图来找我，说他在查运动干预类文献时，看到了这篇发表于 JACC: Asia 的八段锦降压随机对照试验，影响因子22.3，三臂设计，一共收了三百多例高血压患者。他问了我一句：“师兄，这种三臂设计我们能不能复刻？统计部分到底难在哪？”

我看完原文之后的第一反应是：这篇研究的临床意义当然重要，但真正值得反复琢磨的，反倒是它的统计骨架。很多人一看到“三臂试验”就下意识觉得只是多设了一个对照组，多发了几百份问卷，跑几趟检验就完事。实际上，三臂设计的统计逻辑、假设检验的顺序、多重比较的校正策略、缺失数据的处理，每一个环节都能直接决定结论能不能站得住。

这篇文章不是我做的，但作为一个常年跟随机对照试验打交道的人，我决定把它从头到尾拆一遍，把这里面的设计逻辑和统计思路梳理出来。无论你是准备做运动干预类课题、康复类临床研究，还是单纯想了解顶刊试验的统计方法，这篇拆解应该都能帮你省下不少弯路的成本。

1. 内容整体设计与思路拆解

1.1 这项研究到底做了什么

先交代一下研究的基本盘。这是一项针对中老年高血压患者的三臂平行随机对照试验，核心干预是八段锦练习，对照组设置了两类：一类是步行组（阳性对照组），一类是空白对照组（常规生活方式维持组）。

这样做最直接的价值在哪？在于它回答了一个单靠两臂设计回答不了的问题——八段锦降压到底是因为“运动”本身，还是因为“八段锦这种特定的运动形式”？这是很多中医运动类研究被审稿人追问的经典问题。以前不少研究只设“八段锦 vs 不运动”两臂，结果出来了，降压显著，但审稿人问一句“你是不是只要让患者动起来，随便什么运动都能降压？”你就很难回答。

三臂设计则用阳性对照（步行）来锚定“运动活性”的基线效应，用空白对照来估计自然波动和安慰剂效应，这样一来，八段锦对比步行组的差异，就更能说明“八段锦这个特定处方”额外贡献了多少价值。

从统计视角看，这实际上引入了一个更复杂的推断框架：不是做一个两组比较，而是要在一个统一的模型里同时估计多个组间差异，并且控制住多重比较带来的假阳性风险。这也是我用一整个章节去拆它的原因——统计结果是临床结论的骨架，骨架一旦松了，后面说什么都虚。

1.2 两臂与三臂设计的统计学差异

很多人以为三臂只是比两臂“多算一次差异”，这是最常见的误解。从统计角度看，三臂设计的复杂度是跳跃式上升的，主要涉及三层变化：

第一，分析内容变了。两臂试验只需要一个组间差异的点估计和置信区间；三臂试验至少涉及三对对比——八段锦组对空白组、步行组对空白组、以及八段锦组对步行组。这三对对比不是孤立的，而是共享同一批空白组数据，所以在统计推断时必须考虑它们之间由于共享数据而产生的相关性。

第二，多重比较的问题出现了。只要同时做多组检验，I类错误的膨胀几乎必然发生。比如你做三对比较，每对检验水准都是0.05，那整体至少出现一个假阳性的概率就被拉高了。这个膨胀看起来不严重，但审稿人一定会问；如果你不处理，给出去的结论就可能被质疑。

第三，样本量计算的逻辑变了。两臂试验的样本量只需要给定效应量、标准差、检验水准和检验效能，一个公式就能算完；三臂试验则需要考虑是“以哪一对对比作为主要依据”来算，还是“以整体F检验”来算。这两条路径算出来的样本量差别很大，方案里必须提前写清楚。

所以，三臂设计在临床意义上赋予研究更强的说服力，但在统计上要求更缜密的规划。这不只是“多加一组”那么简单。

2. 核心统计方法与分析策略拆解

2.1 主要终点的选择与协变量调整

这项研究的核心终点是血压变化值，具体采用的是“试验结束时血压相对基线的变化值”作为分析对象。这里有一个很多人忽视的细节：是直接用“终点值”做组间比较，还是用“基线到终点的变化值”做比较，还是用“协方差分析（ANCOVA，即把基线血压作为协变量、终点血压作为结果变量）”去比较？

如果是十年前，很多研究直接用“终点值组间比较”或者“变化值组间比较”，这两种做法都成立，但都不够精细。顶刊现在普遍接受的做法是ANCOVA，把基线血压放进模型里当协变量。原因很实际：基线血压有天然的高变异度，如果不校正，组间血压即便存在差异，也可能被基线水平差异干扰；ANCOVA的模型如果设定恰当，能把基线变异“剔”掉一部分，检验效能比普通t检验更高。

我细看了本文的统计方法部分，实际上它确实是走了协方差分析的路子。这个选择背后的逻辑很简单——在随机分组完全成功、各组基线均值的变异落在偶然范围内时，ANCOVA不仅能守住I类错误率，还能提高估计精度，尤其是对血压这种随访波动较大的指标，这种增益是很可观的。

不过，ANCOVA有它的前提条件，包括各组协变量与结局的关系方向一致、回归斜率在各组间没有显著交互。这篇文章里的基线血压分布均衡之后，应用ANCOVA几乎不存在失配风险，但如果换作一项组间基线差异呈“趋势性不均”的研究，就需要更慎重地评估模型拟合度。

2.2 多重比较校正的处理原理

三臂试验的“统计成败关键”，我认为很大概率落在多重比较校正这一环。许多初读高水平论文的人会忽略文章的脚注与方法学补充材料，其实那里往往藏了最值钱的统计信息——研究者到底用了哪种方法控制I类错误。

常见的多重比较校正方法主要有这么几类：

• Bonferroni校正：简单粗暴，将检验水准除以比较次数，例如三组三对比较时用0.05除以3，得到0.0167。优点是不需要任何前提假设，缺点是过于保守，可能把真有意义的差异判为不显著。
• Tukey HSD（Tukey诚实显著差异法）：专门用于所有成对比较，在方差分析框架下表现很好，控制的是“整体族错误率”。
• Dunnett检验：专门用于“多个处理组与一个共同对照组”的比较，不需要处理处理组之间的比较，效率比Tukey高。
• Holm校正：Bonferroni的“改良版”，把一组检验的p值按从小到大排序，逐级调整，比Bonferroni稍微宽松一点，但保持了极强的控制能力。

这个试验里涉及的实际是比较多的：主分析里有三对比较，后续如果还做亚组、敏感性分析，比较次数会进一步叠加。所以，我猜测它的统计方案可能采用了分层或者预先指定主次分析的方法——先指定主分析的核心对比，把多重比较校正集中在特定的对比集合内，而不是把探索性分析的比较也全拉进校正范围。

这里要重点提一个原则：多重比较校正不是“做多少检验就校正多少”，而是在研究方案开始前，就要明确哪些是“确认性检验”，哪些是“探索性检验”。确认性检验需要一个严格的多重比较控制策略；探索性检验则不必逐项校正，因为它的定位是提示信号，而不是证明结论。这篇文章能发到22分，方案里肯定对确认性对比和探索性对比有清晰的切分。

2.3 缺失数据的处理逻辑

血压随访试验一个绕不过去的问题是脱落。三个月甚至六个月的运动干预研究，患者不可能每个人都全程打卡，中途因为搬家、时间冲突、失去兴趣、甚至血压波动需要加强药物治疗而退出的，都会造成随访数据的缺失。

通常处理缺失数据的方案有三种：

• 完整病例分析（Complete Case Analysis，CCA）：只用那些所有随访点都齐全的数据。简单，但有极大风险——如果脱落并非完全随机，结果就可能偏倚。
• 末次观测值结转法（Last Observation Carried Forward，LOCF）：把最后一次观测值补到后续缺失位置。这是过去常用的简便方法，但现代审稿人已经不太接受，因为它对“时间上血压持续变化”的指标来说，本质上等于默认“用户不在的时候没有变化”，临床合理性低。
• 多重填补（Multiple Imputation，MI）：基于已有观测数据建立模型，对缺失值多次抽样填补，再进行合并推断，能更合理利用数据里的信息，兼顾模型不确定性。

考虑到这篇研究的运动干预性质，脱落率不可能为零，而且很可能存在“运动坚持不住的人更多脱落”这一机制，所以在方法学上，它如果只采用完整病例分析，结论一定会在审稿中遇到质询。按我的判断，它的主分析应该基于某种缺失数据假设下的全分析集，同时用敏感性分析去验证结论对缺失处理方式是否稳健。

补充一个实操里的建议：你在自己的试验方案里，最好在统计分析计划里把“缺失机制的假定”写清楚——是随机缺失（MAR）还是非随机缺失（MNAR），然后在不同假定下各跑一遍结果，而不是等数据收集完了再决定用什么填补方法。后者容易被审稿人打成“分析方法随结果走”，一票否决。

2.4 敏感性分析与亚组分析呈现方法

顶刊研究还有一个比较显著的共同特征：非常重视敏感性分析。主要分析是骨骼，敏感性分析是筋膜——它验证主结论在不同模型假设、不同数据集、不同终点定义下是否依然成立。

这篇文章的敏感性分析思路，从一般运动干预试验的惯例来看，至少会有这么几层：

第一层是“换个模型”：把主分析模型换掉，比如从ANCOVA换成混合效应模型，从“只纳入基线血压”换成“纳入更多基线协变量”，看结论方向是否改变。
第二层是“换数据集”：用符合方案集（Per-Protocol Set，只纳入依从性良好的患者）和全分析集（Full Analysis Set，纳入所有随机化患者）分别分析，看结果是否一致。
第三层是“换终点定义”：把“血压变化值”换成“血压达标率”这种二分类指标，再做一次logistic回归，看效应是否同样存在。

亚组分析一样有门道。这篇文章如果做亚组，我推测大概率按年龄、性别、基线血压水平或合并用药状态分层。实操中做亚组分析一定要警惕，亚组分析的检验效能通常不足，此时“亚组间差异不显著”不能断言“效应在各亚组中相同”，只能说明交互检验没有拒绝原假设；反过来说，如果某些亚组p值显著而另一些不显著，除非交互项检验本身显著，否则不宜宣称“该干预只在某个亚组中有效”。

3. 实操过程与核心环节实现

3.1 从方案设计阶段就要写清楚的统计计划

做三臂试验，最实际的建议就是：不要在数据收集完成之后才去想统计策略，而是在伦理批件申请之前，就把统计分析计划（SAP，即Statistical Analysis Plan）写成一个独立文件。这个文件里应当包含：

• 明确的临床问题，以及对应的统计学问题；
• 三臂之间的主要比较对象和次要比较对象；
• 每一类比较对应的检验方法、模型构造方式；
• 缺失数据的假定与填补策略；
• 敏感性分析的计划；
• 亚组的定义与分析层级。

你如果有机会去翻高水平期刊发表的试验方案稿，会发现SAP的长度经常比正文还长。这不是编辑在凑版面，而是预先锁定分析策略，防止后期在“数据结果驱动分析选择”的泥潭里翻车。

我在自己的项目里通常会先画一个“分析总表”，列清楚：研究目的、数据集、分析人群、终点变量、模型、协变量、估计量、多重比较控制方法、敏感性分析做法。这张表一旦确定，后面所有统计分析都按表格执行，自动避免了很多“临时起意式分析”。

3.2 三臂试验样本量计算的常见思路

关于三臂试验的样本量计算，我在这里给出一个可操作的参考思路。以本研究为例，如果主要比较是八段锦组与空白对照组之间12周收缩压变化的差异，你需要确定几个值：两组各自的估计标准差（一般来说收缩压的SD可参考既往文献，常取10-12 mmHg）、期望检测到的组间差异（比如5 mmHg，这个差值在高血压研究里是公认的最小临床意义差值）、检验水准0.05、检验效能0.80，再代入两独立样本均数比较的公式：

n（每组）= 2 × (Zα/2 + Zβ)² × σ² / δ²

代入α=0.05（Z≈1.96）、效能0.80（Z≈0.84）、σ≈11、δ=5时：

n ≈ 2 × (2.80)² × 121 / 25 ≈ 76人/组。

再考虑到15%-20%的脱落率，每组至少需要90-95人。如果要同时保证其他对比有足够效能，或者你需要看的是“八段锦优于步行”这种效应量更小的对比，那么样本量就要往上加。

这里要特别说明：如果主要推断目标是三组同时比较（F检验）而非特定两两对比，就需要用单因素方差分析的样本量公式，并且要定义“效应尺度”（如最小可检测的组间差异对应的f值），这会让样本量需求发生明显变化。正式课题设计时，建议用PASS或R的pwr包分别按不同假设计算几套样本量，选择最稳妥的方案作为最终依据。

3.3 统计分析的主分析代码思路（R语言示例）

下面是三臂试验主分析中典型的R代码流程，基于“收缩压变化值”为主要终点、采用ANCOVA的语境。你可以把它作为自己项目里分析流程的起点：

r复制library(tidyverse)

# 假设数据框dat包含以下变量：
# id: 受试者编号；arm: 组别（baduanjin / walking / control）
# sbp_0: 基线收缩压；sbp_12: 12周收缩压
# age, sex: 基线协变量

dat <- dat %>%
  mutate(sbp_change = sbp_12 - sbp_0)

# 主分析：ANCOVA，以变化值为因变量，基线血压作为协变量
# 注意：基线血压和终点血压高度相关，把基线放进模型能显著提高精度
fit_main <- lm(sbp_change ~ arm + sbp_0 + age + sex, data = dat)

# 查看整体组别效应的F检验
anova(fit_main)

# 三组之间的两两比较（多重比较控制：Tukey法）
library(emmeans)
emm_main <- emmeans(fit_main, ~ arm)
pairs(emm_main, adjust = "tukey")
contrast(emm_main, method = "trt.vs.ctrl", adjust = "dunnett")  # 以control为参照

# 对模型假设做诊断
plot(fit_main)
car::qqPlot(fit_main$residuals)
car::leveneTest(sbp_change ~ arm, data = dat)  # 方差齐性检验

实际运行之前，我先提醒几个坑：

一是基线血压和结局变量同时放进模型时，必须确认它们之间不是同一个变量在不同时间点的重复测量记录。如果你的结局变量直接用“12周血压”，模型里放基线是没问题且推荐的；但如果你用“变化值”作结局且模型中还放“基线血压”，那基线实际上扮演了“调节未来变化”的角色，这也完全成立，只是解读上要更谨慎。

二是在三臂试验里，两两比较的输出结果报告顺序要和研究方案中的优先级保持一致。比如方案里若规定“八段锦对比空白组是首要对比”，那结果报告和讨论篇幅也应围绕该对比展开，而不是把p值最显著的那组对比写成卖点。

三是不要一上来就用Tukey把所有配对都跑一遍。如果你真正关心的只是“处理组是否优于对照组”，那么Dunnett法在把握检验效能上优于Tukey，因为它的零假设设定更贴近你的研究问题。减少无谓的对比次数，本身就是一种控制假阳性的手段。

3.4 缺失数据的填补操作流程

如果需要做多重填补，R语言的mice包是当前的主流工具。基本流程是先对每个含缺失值的变量建立预测模型，然后用MCMC迭代法生成多套填补数据，分别分析之后再合并参数与方差。

r复制library(mice)

# 用已有变量预测缺失的12周血压
imp <- mice(dat, m = 20, method = "pmm", seed = 12345)

# 对每套填补数据跑同样的主分析模型
fit_imp <- with(imp, lm(sbp_change ~ arm + sbp_0 + age + sex, data = dat))

# 合并结果
pooled <- pool(fit_imp)
summary(pooled)

这里面有几个关键细节要留意：

• 填补模型里的变量应当包括“结局变量对应的基线值”以及“随访是否完成的指示变量”，否则填补精度会明显下降。
• m的选择通常20次以上比较稳妥，特别是在缺失比例超过20%的时候，太少的填补次数会让方差估计不够稳定。
• 填补之后，你要同时报告“基于完整病例的分析结果”和“基于多重填补的分析结果”。两者一致，结论稳健；两者差异明显，说明缺失机制可能不是随机的，需要进一步追查原因。

4. 常见问题与排查技巧实录

4.1 三臂试验统计分析的常见坑

这里把我在实际审查稿件、协助同行解决统计问题时最常遇到的“坑”整理出来，供你对照自查。

4.2 细节处理的独家心得

有几个方法学细节，是你读原文时可能注意到但没深想的，我在自己的实操中踩过坑、也找到了相对有效的处理方式。

第一个是“基线血压到底放不放模型”的问题。我的建议是：放。而且最好是放“基线血压的连续值”，而不是把患者划成“正常/升高/很高”的等级变量。连续变量能保留最大信息量，模型拟合和检验效能都更好。过去我帮一个运动干预项目复核统计结果时，他们首席研究员觉得“基线血压都随机了，放进模型纯属多余”，结果我们做了一次诊断，发现仅加入基线血压一个协变量，主要终点的置信区间宽度就缩小了将近10%，对试验成败的影响根本不是小事。

第二个是“血脂、血糖、BMI这些指标要不要也校正”的问题。注意，协变量不是越多越好。把太多无效变量塞进模型，不仅消耗自由度，还可能引入不必要的噪声。建议只纳入那些在专业领域里被证明对结局有临床影响的变量，或者方案中预先指定的少数关键变量。三项左右的基线协变量足够撑起主分析的稳健性。

第三个是“三臂试验的结果可视化”。顶上很多期刊喜欢用森林图呈现各组对比的效应量和置信区间。你可以把主分析结果做成森林图，横轴是收缩压变化值的效应量和95%置信区间，每行是一对比较。这种呈现方式对审稿人来说极其友好，因为它同时展示了效应大小、方向和不确定性，比单独标注星号有效得多。

第四个是我个人比较坚持的做法：在正文里写清楚“所有分析均基于意向性分析集（Intention-to-Treat，ITT）”，也就是按随机化分组分析，不按患者实际依从性分组。运动干预试验里最容易出现的情况是，完成全程训练的患者降压效果好，未完成训练的患者效果不好；如果你按“实际完成情况”分组做比较，看似合理，实则破坏了随机化的保护作用，得到的组间差异会被混杂因素污染。高影响因子期刊对ITT原则的坚持程度非常高，这一条不可回避。

结尾

回头再看这篇八段锦降压研究，它真正值得学习的地方并不是“练八段锦能降压”这个结论本身，而是它背后那一整套严谨的设计和统计逻辑：用三臂设计拆解特定运动形式的增量价值，在方案阶段就锁定主要分析和敏感性分析的边界，用ITT原则支撑因果推断的合理性。这些方法学上的克制与规划，比一个漂亮的p值更能经受住时间的检验。

根据我自己的实操体会，做这类多臂试验，最难的不是跑代码，而是在研究开始前克制住“什么都想对比”的冲动，明确哪些问题是非回答不可的，哪些问题是锦上添花的。只要把主分析这一层的地基打牢，后面的敏感性分析、亚组分析都是在这个地基上的加固和外饰。

最后再分享一个小技巧：无论你的研究设计成几臂，把统计分析计划挂到公开的临床试验注册平台上，哪怕只是粗略版，也能在投稿时向审稿人展示你的分析是透明且可追溯的。这一个小动作，往往能减少很多不必要的来回质询。