常见统计检验的本质：进阶篇（其实还是线性模型）

在上一篇文章里，我们扒了 t 检验、方差分析 (ANOVA)、非参数检验的马甲，发现它们全都是 $y={\beta }_0+{\beta }_{1}x$ 这一个初中直线方程的变体。后来我们又引入了“联系函数（Link Function）”，顺手把生信里高大上的 DESeq2 也给扒了（本质是广义线性模型 GLM）。

这时候，肯定有经常跑临床数据和生信生存分析的同学不服了：

“那我们临床天天用的卡方检验 (Chi-square) 呢？我们算 KM 曲线和 HR 用的生存分析 (Cox 回归) 呢？这俩总该是另外一套体系了吧？”

不好意思，今天我们就来把这几个硬核的“牛鬼蛇神”也一并扒了。你会发现，万剑归宗，它们依然没逃出线性模型的手掌心。

---

1. 卡方检验：数格子的本质是对数线性模型

场景：你想研究“吸烟（是/否）”和“得肺癌（是/否）”有没有关系。你收集了一堆人，画了一个 2x2 的表格，里面填满了人数（频数）。

课本教你：算卡方检验！你要先算每个格子的“观测值 (O)”，再算“期望值 (E)”，然后套用那个极其反人类的公式：$\sum \frac{(O-E{)}^2}{E}$，最后去查卡方分布表。 强迫症表示：这都什么年代了，谁还手算这个？

扒马甲时刻： 其实，卡方检验的本质是一个泊松回归 (Poisson Regression)，也就是广义线性模型里的一种（对数线性模型，Log-linear model）。

在这个模型里：

• 你的 $y$ 是每个格子里的人数 (Count)。因为人数也是非负整数，所以跟上一篇的 RNA-seq 一样，我们给它套上一个对数滤镜 $\log (y)$。
• 你的 $x_1$ 是是否吸烟，你的 $x_2$ 是是否得肺癌。

模型长这样： $\log (Count)={\beta }_0+{\beta }_1(吸烟)+{\beta }_2(肺癌)+{\beta }_3(吸烟\times 肺癌)$

看到那个 ${\beta }_3$ 了吗？这就是大名鼎鼎的交互项 (Interaction term)。 当你做卡方检验，问“吸烟和肺癌是否独立”时，你本质上是在问大自然：“在这个线性模型里，${\beta }_3$ 这个交互项的斜率，是不是显著不等于 0？”

# 我们捏造一个 2x2 表格的数据：
# 假设 吸烟+肺癌=40人，吸烟+健康=10人；不吸烟+肺癌=20人，不吸烟+健康=30人
counts <- c(40, 10, 20, 30)
smoke <- gl(2, 1, 4, labels=c("Yes", "No"))
cancer <- gl(2, 2, 4, labels=c("Yes", "No"))
 
# 1. 传统的卡方检验
chisq_test <- chisq.test(matrix(counts, nrow=2))
print(chisq_test$p.value)
# 0.0001051636
 
# 2. 也是服了，直接跑泊松回归（GLM）
# 注意公式里的 smoke * cancer，它会自动展开为 smoke + cancer + smoke:cancer
glm_poisson <- glm(counts ~ smoke * cancer, family = poisson())
summary(glm_poisson)
# 你去看看 summary 里 smokeNo:cancerNo 这一项的 p 值（8.65e-05）

Note: 虽然底层算法（Wald 检验 vs 皮尔逊残差）导致 p 值有极其微小的差异，但它们检验的完全是同一个数学本质！另外我们也知道算这种2联表，其实用Fisher Exact Test 更准确。它算出来的值与glm就高度一致了。

fisher.test(matrix(counts, nrow=2))$p.value
# 8.308659e-05

以后再看到 2x2 或者 3x3 表格，别急着找卡方公式了。把每个格子的频数当成 $y$，行和列当成 $x$ 跑个 GLM，这有何难呢？

---

2. 逻辑回归 (Logistic Regression)：森林图里 OR 值的真面目

场景：你在看一篇临床顶刊，里面画了一张极其漂亮的“森林图 (Forest Plot)”。图上列着各种因素（年龄、性别、是否吸烟）对患病率的影响，每个因素后面都跟着一个 OR 值 (Odds Ratio, 比值比)。如果 OR > 1 就说是危险因素，OR < 1 就说是保护因素。

很多人觉得 OR 值是一个独立的高深统计指标。其实呢，它就是线性模型里斜率的一个变体！

我们在基础篇提到过，当你的 $y$ 是“生病/不生病”（即 0 和 1）时，我们会给 $y$ 套上一个 logit 滤镜： $\log \left(\frac{P}{1-P}\right)={\beta }_0+{\beta }_{1}x$

等式左边的 $\frac{P}{1-P}$，在统计学里叫做 Odds (胜率/赔率)。比如得病概率是 0.8，不得病是 0.2，那 Odds 就是 0.8/0.2 = 4。 所以逻辑回归本质上是：对数胜率 (Log Odds) 的线性模型。

绝杀来了： 如果你想知道 $x$（比如吸烟）对得病到底有多大影响，你只需要看斜率 ${\beta }_1$。 但 ${\beta }_1$ 是在对数尺度上的，怎么把它还原回人类能看懂的比例呢？很简单，取个指数：$e^{{\beta }_1}$。

这个 $e^{{\beta }_1}$，就是你在森林图上天天看到的 OR 值！

• 如果 ${\beta }_1=0$（吸烟没影响），那么 $OR=e^0=1$。这就是为什么森林图里那根“无效线”永远画在 1 的位置。
• 如果 ${\beta }_1>0$（正相关），那么 $OR>1$（危险因素）。

你看，不管临床医生把森林图画得多么花里胡哨，本质上他们全都在跑这一个带着 logit 滤镜的线性模型。

---

3. 生存分析 (Cox 回归)：给风险套个对数的线性模型

场景：你要比较 A 药和 B 药对肿瘤患者生存期的影响。你画了漂亮的 Kaplan-Meier 生存曲线，然后算出了一个 HR 值 (Hazard Ratio) 发现等于 0.5，大呼“神药诞生！”

生存分析最让人头疼的地方在于删失数据 (Censored data)：有些病人随访到一半跑路了，你不知道他到底活了多久。这导致你不能直接把“生存天数”当成 $y$ 去跑线性回归。

天才的发明：Cox 比例风险模型

统计学家 David Cox 拿了诺贝尔奖级别的灵感（虽然统计学没有诺贝尔奖）：既然“能活多久”没法直接当 $y$，那我就预测**“现在的死亡风险 (Hazard)”**！

Cox 模型的公式长这样： $\text{Hazard}(t)=\text{Baseline Hazard}(t)\times e^{{\beta }_{1}x}$

看着挺吓人？别急，我们稍微变形一下。 两边同时取对数（又是我们熟悉的对数滤镜）： $\log (\text{Hazard}(t))=\log (\text{Baseline Hazard}(t))+{\beta }_{1}x$

再把 Baseline 移到左边： $\log \left(\frac{\text{Hazard}(t)}{\text{Baseline Hazard}(t)}\right)={\beta }_{1}x$

卧槽，看见了吗！等式右边又变成了那个最干净的 ${\beta }_{1}x$！ 在这个模型里：

• 左边 $y$ 是“当前病人的风险”相对于“基准风险”的对数比值。
• 右边 $x$ 是吃 A 药还是 B 药（开关变量 0 或 1）。

绝杀来了：如果你把这个算出来的斜率 ${\beta }_1$ 重新取个指数还原回去（即 $e^{{\beta }_1}$），猜猜它叫什么？ 它就是你在各大顶刊里天天看到的 Hazard Ratio (HR)！

检验两组生存期是否有差异（比如 Log-rank 检验），本质上依然是在问：“在这个以对数风险为 $y$ 的线性模型里，${\beta }_1$ 是不是显著不等于 0？”（如果 ${\beta }_1=0$，那么 HR=$e^0=1$，也就是两组没区别）。

---

4. 混合效应模型：自带“专属 VIP 偏差”的线性模型

场景：你要测一种新药对血压的影响。你找了 5 个病人，每个人连续测了 10 天血压。 课本严厉警告你：这 50 个数据点不是独立的！同一个病人这 10 天的数据自带相关性（比如张三本来血压就高，李四本来就低）。如果你敢把这 50 个点直接混在一起跑普通线性回归，审稿人会把你骂到退稿。

痛点吐槽：在传统的统计学教学里，遇到这种数据，老师会教你用一个极其恶心的东西叫重复测量方差分析 (Repeated Measures ANOVA)。你不仅要把数据格式转来转去，还要做一种反人类的“Mauchly 球形检验”，如果不通过还要做各种 epsilon 校正。最要命的是，如果某个病人第 5 天忘了来测（数据缺失），整个 ANOVA 模型就直接崩盘罢工了！

降维打击时刻： 为了解决“数据不独立 / 有层级嵌套”的问题，现代统计学主推混合效应模型 (Mixed Effects Models)。它不仅完美替代了重复测量 ANOVA，而且完全不怕数据缺失。它的名字听着很吓人，但其实是对线性模型的一次极其温柔的微调。

普通线性模型： $y={\beta }_0+{\beta }_{1}x$ 这里的 ${\beta }_0$ 是一个固定的截距（所有人共享的基准线）。

混合效应模型： $y=({\beta }_0+u_{subject})+{\beta }_{1}x$ 发现区别了吗？我们在截距里加了一个 $u_{subject}$。这个 $u$ 叫做随机效应 (Random Effect)。 它代表了每个病人的专属偏差。

• 张三血压偏高，他的 $u_{张三}=+10$。
• 李四血压偏低，他的 $u_{李四}=-15$。

通过把这个“个人特质”塞进截距里，模型就聪明地把“因为人不同导致的误差”给吸收掉了。剩下来的 ${\beta }_1$，就是真正干干净净的、由药物带来的血压变化（固定效应）。

# 在 R 里，你需要用到 lme4 包
library(lme4)
 
# 依然是熟悉的公式配方，只是多了一个 (1|subject)
# 这就相当于告诉模型：给每个 subject (病人) 分配一个专属的截距！
mixed_model <- lmer(blood_pressure ~ drug + (1|subject), data = my_data)
summary(mixed_model)

所以，不管叫什么高大上的名字，混合效应模型无非就是给线性模型开了几个“动态截距”或者“动态斜率”的后门而已。

---

总结：万物皆可 $Y=XB$

两篇文章看下来，从最简单的 Pearson 相关、t 检验、ANOVA，到生信人必备的 DESeq2 (GLM)、Cox 生存分析，再到临床必备的卡方检验和混合效应模型……

它们全部、统统、一分不差地，是线性模型。

不要被花里胡哨的统计学名词唬住。下次面对复杂的数据分析时，你只需要思考三个问题：

1. 你的 $y$ 是什么？（连续的？分类的？还是生存风险？）
2. 需要套什么滤镜 (Link Function) 吗？（比如 count 值套对数，0/1 状态套 logit）
3. 你的 $x$ 是什么？需要做成开关 (Dummy Variable) 吗？有没有专属偏差 (Random Effect)？

想清楚这三点，剩下的就是写下一个等式。 人生苦短，先把正事干了，别去死记硬背那些折磨人的检验决策树了。

---

参考资料

1. Jonas Kristoffer Lindeløv, Common statistical tests are linear models (or: how to teach stats)
2. David R. Cox, “Regression Models and Life-Tables”. Journal of the Royal Statistical Society, 1972.