三臂随机对照设计与ANCOVA：运动干预研究的统计骨架搭建

做临床研究的朋友应该都有种感觉：中医、运动干预、传统功法这类研究，发好期刊越来越难了，审稿人上来就问你“循证证据级别”“方法学质量”。说白了，不是研究不重要，是很多设计的统计骨架撑不起结论。但几个月前我看到一篇八段锦降压研究的发表，影响因子22.3，通篇最扎眼的就是它的三臂随机对照设计。我在心血管和运动医学圈子里转了一圈，发现好多人在讨论它。老实讲，这个研究能上顶刊，除了课题本身扎实之外，我认为最大的功劳在它的三臂设计，以及一套非常规矩的统计方法。这篇博文我就按自己的理解，把三臂设计到底解决什么问题、统计方法为什么这么选、用R怎么一步步落地，整个过程拆开来聊一聊。适合谁看？正在设计干预类课题的研究生、想提升论文方法学质量的临床医生，还有对“剂量-反应”研究感兴趣的同行。

1. 研究整体设计与思路拆解

1.1 “三臂”设计到底比“两臂”多解决了什么问题

两臂设计（试验组 vs 对照组）是临床研究的基本盘，但它的短板很明显：只能回答“有没有效”。而运动干预研究里，医生和患者真正关心的往往是“练多少有效”，也就是剂量-反应。这个八段锦研究就是把“剂量”作为核心变量放进设计里的：一组保持常规生活习惯，什么都不加（对照组）；另一组每周3次八段锦；还有一组每周6次八段锦。这样，一篇试验就能同时回答三个问题：八段锦相比不练有没有降压效果；每周6次和每周3次相比，是不是效果更好；每周3次的极小剂量是否已经能带来获益。

三臂设计的另一个隐性优势是“共享对照组”。对比两个独立的两臂试验，三臂试验在同一时间、同一人群、同一测量条件下完成比较，避免了跨试验比较时的混杂。你如果分别去查“每周3次八段锦”和“每周6次八段锦”的文献，会发现人群基线、测量设备、随访时长全都不一样，硬放在一起比，审稿人第一个不同意。而三臂设计把两个问题放进同一个实验环境里，省样本、省成本，证据链还更完整。

怎么判断某个课题适不适合上三臂？我的经验是看两件事：第一，试验因素能不能自然分成“至少两个有临床意义的不同水平”；第二，样本量能不能支撑住多组比较。如果只是硬凑两个差不多的剂量，最后结果很可能是两组都显著或者都不显著，等于白白浪费一个臂，还拉高了招募成本。

1.2 八段锦降压研究里“剂量-反应”设计的递进逻辑

这里要专门说一下这个研究的剂量梯度。每周6次和每周3次，不是一拍脑袋定的。研究者在预试验和既往文献中已经找到线索：血压的急性和长期改善与运动频率之间存在一定量效关系。在运动处方里，频率、强度、时间、类型四个要素，频率是最容易标准化、也最容易教给患者执行的一个。每周3次对应的是指南推荐的“最低有效运动量”，每周6次则是接近“强化干预”的水平。两个剂量之间拉开的差距足够大，结果才有辨识度。

而设计这种梯度，在统计上有一个非常巧妙的作用：它让结果出来以后可以讲一个“递进”的故事。如果6次组和3次组都比对照组显著下降，同时6次组比3次组有进一步下降的趋势，那结论就相当漂亮——“剂量-反应关系成立”。审稿人和读者在看到剂量梯度后，会本能地对“因果关系”产生更强的信任，这是单一剂量试验做不到的。

当然，剂量梯度设计也有代价：如果高低两个剂量之间没有拉开差距，就是搬起石头砸自己的脚。比如两组随访后的血压几乎一样，那就没法解释“额外频率没有带来额外效果”还是“8周时间太短，效果还没拉开”。所以遇到这类设计，选两个“差距足够大”的剂量水平是成败关键。我在帮团队审方案时，一般会建议剂量比至少在1.5到2倍以上，比如每周3次对每周6次，或者每周2次对每周5次，如果只是3次对4次，基本不建议做。

1.3 对照组设置与随机化方案的细节考量

三臂的对照组设在“维持原有生活方式”而不是“安排一群人去练广播体操”，这个选择很有讲究。设置一个主动对照组（active control）确实更严谨，能排除非特异性效应（比如社交接触、被关注带来的安慰剂效应）。但问题在于：如果主动对照也降压，就分不清八段锦本身的作用；如果主动对照选得不好（比如强度太低），反而会被审稿人质疑。这个研究没有额外设置主动对照，而是用“常规生活”做对照，同时通过随访时询问对照组活动情况，确认他们没有“偷偷”开始练八段锦。这个处理放在真实世界里是很务实的。

随机化方面，三臂研究的做法通常是用中央随机系统或随机数表，按1:1:1比例分配，并按研究中心或基线血压水平做分层区组随机化。层数不宜太多，每层样本量要撑得住。更关键的是分配隐藏：生成随机序列的人、执行招募的人、评估结局的人，这三类角色必须分开。运动干预很难对患者和教练设盲，但至少要做到结局评估者盲法和统计分析师盲法。终评时由不懂分组信息的护士导出动态血压数据，统计分析师拿到的数据集里只有A/B/C组标签。这一点顶刊会盯得非常细，随便一个环节被看出盲法漏洞，审稿意见就会很难看。

另外，这个研究在设计阶段就做了临床试验注册，统计分析计划（SAP）在入组前就定好了，后面都是按方案执行。这个动作现在可以说是大样本干预研究的标配，想在IF上两位数，注册和SAP基本是必要条件。

1.4 样本量计算：三臂研究的底气从哪里来

样本量是所有统计设计的源头。我当时专门扒了下这个研究的样本量计算逻辑，核心是围绕两个主要比较展开的。假设目标是在显著性水平0.025（双侧，Bonferroni校正后）下，以80%效能检出试验组相对于对照组的5 mmHg收缩压差异，血压变化的标准差按既往动态血压研究取12 mmHg左右，那么每组需要约70例。按15%失访率膨胀，每组差不多要80到100例，三臂总样本量约300例。

用公式表达就是：n = 2 * s² * (Z₁₋α/₂ + Z₁₋β)² / δ²。代入s=12, α=0.025, β=0.2（对应Z统分为1.96和0.84），δ=5，算出来n ≈ 2144(1.96+0.84)²/25 ≈ 76例。这个推算结果和论文里实际入组人数是比较吻合的。

这里有个常见误区：两两比较时α直接取0.05，会导致样本量低估。三臂只要做了多重比较，α就要往下调。Dunnett法在“多个试验组共同比一个对照组”时比Bonferroni更高效，但需要专门的软件实现，很多团队为了省事直接用0.025，也可以接受，只是样本量会偏保守。还有一点容易被忽略：样本量计算时用的标准差一定要来自类似人群的预试验数据，不要随手抄一篇文献的标准差。动态血压的标准差通常比诊室血压大，如果拿诊室血压的标准差来算动态血压研究，样本量大概率不够。

2. 统计方法的多层拆解与推导

2.1 主要分析为什么首选ANCOVA

这个研究的主要结局是随访后24小时动态血压平均收缩压相对基线的变化值，组间比较用的是ANCOVA（协方差分析），把基线血压作为协变量纳入模型。这一步可以说是整套统计方案里最关键的决策。

为什么不用最简单的前后差值t检验？第一，t检验把基线和随访后的差值当成一个单变量，没有利用基线值提供的信息。第二，也是最容易被忽略的：基线和变化值之间往往存在“回归到均值”现象。基线高的患者，变化值天然会更大，如果两组基线稍微不均衡，差值t检验的结论就会直接跑偏。可以这么理解：基线血压就像起跑线，有人站在60米处，有人站在80米处，如果只比谁先到终点，站在80米处的人天然占便宜。ANCOVA做的事情，是把所有人都拉回同一个起跑线再比，这样组间比较的就是“干预本身的贡献”。

模型写成公式大致是：chg_sbp ~ group + base_sbp + age + sex + bmi。这里group有3个水平，模型整体对应一个全局检验；如果全局F检验有统计学意义，再跟进做两两比较。实际输出中，我们可以从ANCOVA模型里提取“调整后均值”和“调整后均数差”，发表在论文里既清晰又好懂。注意，基线血压是否正态分布不是重点，ANCOVA的残差要求正态，而不是原始变量要求正态。

2.2 多重比较：三臂以后最容易翻车的地方

三臂设计一旦进入两两比较，就牵出多重性问题。两两组合一共3种：A组 vs C组、B组 vs C组、A组 vs B组。如果每个比较都用0.05的显著水平，犯I类错误的概率就不再是5%，而是约1-(1-0.05)³=14.3%。审稿人看到这种“通通都是p<0.05”的文章，第一反应就是质疑结果可靠性。

处理方式按比较目的分两派。如果核心研究问题只是“各试验组分别优于对照组”，就属于“多个处理组对照一个共同对照组”，这时最优选择是Dunnett检验，它能在控制总I类错误的前提下，比Bonferroni提供更高检验效能。如果三组之间必须两两都做正式比较，那Tukey HSD是最常用、且比Bonferroni温和的选择，它利用组内均方和组数调整临界值。

我在审阅类似稿件时发现的通病是：很多人跑完ANCOVA后，直接对p值矩阵标星号，根本不提用了什么校正方法。这在投中文核心时可能还能混过去，投IF两位数的期刊基本都会被统计审稿人抓住。应对策略也很简单：预先在统计分析计划里写清楚比较框架。比如“主要比较为6次组vs对照、3次组vs对照，采用Dunnett校正；6次组vs 3次组作为次要比较，仅报告效应量和置信区间，不单独做显著性声明”，这样逻辑干净，也不容易被挑刺。

2.3 意向性分析与多重填补：处理失访的正确姿势

运动干预研究最头疼的问题是失访和依从性。每周6次的那个臂，练着练着人跑掉的情况非常常见。如果只分析“练完的人”，就会出现选择偏倚——坚持下来的人可能本来就是身体状态更好、更自律的人，结论会被过度美化。所以这个研究采用ITT（意向性分析）原则：只要被随机化分配进了某个组，不管最后有没有坚持练完，都留在原来的组里分析。

ITT带来一个新的数据问题：缺失。有人没做终点随访，有人动态血压记录损坏。直接删除缺失个案（complete-case analysis）会损失效能，而且如果缺失不是完全随机发生，结果就会有偏。解决办法是多重填补（Multiple Imputation）。思路是：利用所有已有的观测变量，对每个缺失值生成m个（比如20个）可能的填补值，形成20份完整的数据集，在每份数据集上跑ANCOVA，最后用Rubin法则把20次的结果合并，把填补带来的不确定性纳入标准误。R里的mice包、Stata里的mi命令都能实现，这是一套非常标准的流程，也是现在顶级期刊对缺失数据处理的基本要求。

另一个关键点：填补模型要包含结局变量。很多人只知道“协变量缺失要填补”，却故意把结局排除在外，理由是“结局是真实数据，不能编”。这个想法出发点好，但会导致结局与协变量之间的关联被稀释。标准做法是把结局纳入，后续统计分析只使用合并后的结果。如果你担心补出来的数据“不真实”，可以同时做完整案例分析作为敏感性分析，两者对比后写进论文。

2.4 敏感性分析与亚组分析：给结论再上一道保险

顶刊审稿人很少只满足于一个主分析。他们最常提的问题是：你的结论对这个假设稳不稳？换一种处理方式结果还成立吗？于是就有了敏感性分析的整套操作。常见的组合拳包括：改用PP集（per-protocol，只分析依从性好的人群），看ITT结论是否一致；缺失数据采用不同处理方式（完整案例分析、末次观测值结转、多重填补），看结果方向是否一致；在主模型中额外调整“随访期间是否使用降压药变化”“身体活动量”等潜在混杂；剔除极端值或高杠杆点后重新拟合模型。

亚组分析则应遵循“先全局、后局部”的原则。不要一上来就分50个亚组反复跑，避免亚组分析的假阳性。可以先基于先验假设设定少数几个亚组（男性/女性、年龄是否≥60、基线血压级别），每个亚组内放交互项检验，而不是单独做小样本t检验。交互项显著了，再在亚组内做两两比较；交互项不显著，就老老实实报告“未发现组间效应在不同亚组间存在显著差异”，不要去挑那些p值小于0.05的小格子写进摘要。

3. 实操过程与核心环节实现

3.1 数据准备与基线表构建

实操部分我用R语言来演示，原因是R在分析的公开透明和可复现性方面有天然优势。SPSS点几下虽然方便，但顶刊投稿时很多期刊都要求提交分析脚本，R的代码可复现性更好。如果你习惯Stata，核心思路完全一样，只是语法不同。

拿到数据后第一件事是检查数据结构和缺失情况。模拟一个数据集结构：

r复制# 模拟/读取数据
# 变量包括：
# id       研究对象编号
# group    "baduanjin_6" / "baduanjin_3" / "control"
# base_sbp 基线24小时平均收缩压
# chg_sbp  随访时相对基线的收缩压变化值
# age, sex, bmi, center

dat$group <- factor(dat$group,
  levels = c("control", "baduanjin_3", "baduanjin_6"))
summary(dat)

基线特征表（Table 1）在论文里看似平淡，实际上顶刊对它的质量控制非常严格。分类变量用频数和百分比，连续变量用均数±标准差或中位数（四分位间距）。组间是否均衡的报告，现在主流推荐用标准化差异（SMD）而不是t检验/卡方检验的p值。SMD>0.1就被认为可能存在组间不平衡，需要在后续模型中调整。

r复制# 使用 tableone 包快速生成基线表
library(tableone)
vars <- c("age", "sex", "bmi", "base_sbp")
catVars <- c("sex")
tab1 <- CreateTableOne(vars = vars, strata = "group",
  data = dat, factorVars = catVars)
print(tab1, smd = TRUE)

3.2 ANCOVA模型拟合与全局检验

主分析代码通常是这样的：

r复制library(car)
fit <- lm(chg_sbp ~ group + base_sbp + age + sex + bmi, data = dat)
Anova(fit, type = 3)

用III型方差分析的逻辑是：控制其他变量以后，再看group这个变量的贡献。R默认因子水平会以第一个水平做参照，所以回归系数表里看到的通常只有group的k-1个系数。建议先用factor()锁定水平顺序，把对照组设成第一个水平，这样输出结果更好解读。

模型跑完，先看group这一项的F检验p值。如果p值不显著，就不建议继续做两两比较。这在统计学上叫保护性检验：全局不显著，两两里冒出来的“显著结果”大概率是噪声。不过也有一种特殊情况：全局F检验只是近似不显著，而预先指定好的成对比较在理论上仍然可以进行，但这种情况非常少，一般出现在“总体有差异但被弱组拉平”的场景里。

3.3 两两比较与效应量提取

全局检验通过后，进入多重比较阶段。推荐用emmeans包，它能够处理协变量，给出调整后的边际均值：

r复制library(emmeans)
em <- emmeans(fit, ~ group)

# 方案一：所有臂两两比较，Tukey校正
pairs(em, adjust = "tukey")

# 方案二：只比较每个试验组 vs 对照组，Dunnett校正
summary(em, adjust = "dunnett", infer = c(TRUE, TRUE))

这里要养成一个好习惯：报告结果时，不要只写p值，要同时报均数差的估计值、95%CI、效应量。很多期刊现在要求报告临床意义，均数差加置信区间远比一个星号要有信息量。比如“6次组相比对照组，24小时平均收缩压多下降6.2 mmHg（95%CI: 2.1-10.3 mmHg），P=0.003”，读者一眼就能判断这个效应值是否值得临床关注。

emmeans还能导出“调整后均值”，也就是控制基线血压等于总体均值时的组别估计值，这正好对应ANCOVA框架下的adjusted means。写作论文时，建议把调整后均值±标准差或95%CI画成森林图，比表格直观得多。

3.4 多重填补后的分析与合并

缺失数据较多时，按下面流程走：

r复制library(mice)
# 先看缺失模式
md.pattern(dat)

# 对包含结局和协变量的数据做多重填补
imp <- mice(dat, m = 20, method = "pmm", seed = 202431)
fit_imp <- with(imp, lm(chg_sbp ~ group + base_sbp + age + sex + bmi))
pool_res <- pool(fit_imp)
summary(pool_res)

m=20是当前比较被认可的选择，比传统的5次更稳定。method="pmm"（预测均值匹配法）适合连续变量，它从观测样本中挑“最像”的值来补，不会产生模型外的怪异数值，对于血压这类临床指标比较友好。

补充一个容易踩坑的点：如果想对填补后的数据集做emmeans类边际均值估计，直接调用emmeans(imp)不一定支持所有mids对象。标准做法是：先用complete()把每份填补数据单独提取出来，分别跑emmeans，再把20份结果用Rubin法则合并。这个过程稍繁琐，但审稿人如果问“你多重填补后怎么做的组间比较”，你能够给出完整代码链路，会很有说服力。

3.5 亚组与敏感性分析的代码思路

亚组分析这段我在审稿时见过太多反面教材，所以多说两句。现在很多团队写方案时，亚组分析写得云里雾里，等结果出来后，把几十个性别、年龄、病程、并发症的亚组全部跑一遍，挑出几个p<0.05的写进摘要。这在统计上基本等于数据挖掘。

正确的姿势是：方案阶段就定好少数几个有生物学或临床依据的亚组。比如八段锦降压研究关注的，可能是性别、年龄是否≥60岁、基线收缩压是否≥140 mmHg这几个。分析时把group与亚组变量的交互项加进模型，交互项不显著就不分层报告；交互项显著了，再在亚组内做两两比较。这里注意，亚组内的两两比较同样面临多重比较问题，需要重申校正策略，否则亚组内那些“星星”一样是假的。

r复制# 检查 group 和 sex 的交互
fit_sub <- lm(chg_sbp ~ group * sex + base_sbp + age + bmi, data = dat)
Anova(fit_sub, type = 3)

# 如果交互项显著，分性别做两两比较
dat_m <- subset(dat, sex == "Male")
dat_f <- subset(dat, sex == "Female")
fit_m <- lm(chg_sbp ~ group + base_sbp + age + bmi, data = dat_m)
em_m <- emmeans(fit_m, ~ group)
pairs(em_m, adjust = "tukey")

敏感性分析同理，核心是让你的结论不依赖某一种处理方式。你可以写一个辅助函数，把不同处理方式的结果整理成一张表：

r复制run_ancova <- function(data) {
  fit <- lm(chg_sbp ~ group + base_sbp + age + bmi, data = data)
  em <- emmeans(fit, ~ group)
  pairs(em, adjust = "tukey")
}
# 完整案例分析
run_ancova(dat[complete.cases(dat), ])
# 剔除极端值
run_ancova(dat[dat$chg_sbp > -30 & dat$chg_sbp < 30, ])
# PP集（假设只有依从性好的）
run_ancova(dat[dat$adherence >= 0.8, ])

如果换了缺失处理、换了人群定义之后，组间差异的方向和显著性都基本一致，那审稿人质疑的余地就很小了。

4. 常见问题与排查技巧实录

4.1 三臂研究中最容易踩的五个坑

这里把我在实际审稿、辅导学生过程中反复见到的问题整理成一张表。

举一个我辅导过的真实案例：有个团队做了一个三臂的运动干预试验，结果是A组和B组都显著优于对照组，但A vs B没有差异。他们在写论文时，为了突出A组（高剂量）的价值，单独对A vs C重新算了一个未经校正的t检验，然后报告“p=0.013”。这看起来是锦上添花，其实非常危险。因为三臂设计已经决定了多重比较框架，任何脱离框架的额外检验都需要说明校正策略。最后审稿人要求他们把主分析统一到ANCOVA+Tukey框架里，结果那个p值变成了0.056，差点翻车。

4.2 统计审稿人最常