别被“p < 0.05”给骗了：为什么做研究不能只盯着显著性？

想象一下，你网购了一支家用电子体温计。

包装盒上赫然印着：“采用尖端检测算法，灵敏度高达 99%，只要体温偏离正常值就会发出蜂鸣报警！”

你满心欢喜地拿来一测，“哔哔哔”，体温计响了——提示有显著差异！可当你低头看显示屏时，上面却显示一行字：“您的体温介于 37.1℃ 至 41.5℃ 之间。”

这时候你敢吃退烧药吗？显然不敢。因为你根本不知道自己到底只是喝了口热水后的 37.1℃ 微热，还是已经高烧到 41℃ 必须立刻去医院挂急诊。

这个听起来荒诞的体温计笑话，正是今天大量医学科研、数据分析和产品实验中正在上演的现实：很多人费尽心机计算样本量、跑实验，唯一的执念就是把检验功效（Power）凑到 80%，换来那句神圣的“\(p < 0.05\)”。然而对于真实世界里最重要的问题——“这个效果到底有多大、到底准不准”，却视而不见。

蜂鸣器陷阱：显著不等于有用

传统假设检验的本质，就像一个蜂鸣报警器。

它的逻辑是：先预设一个无罪推定（原假设 \(H_0\)：这个药一点用都没有，两组差异为 0）。然后抓来一批病人做实验。如果观察到的结果在“完全没用”的前提下发生的概率极小（\(p < 0.05\)），报警器就响了，宣布“差异显著”。

为了让报警器在该响的时候能响起来，统计师会帮你算一个样本量，保证 80% 的概率抓住这种差异（统计功效 Power = 80%）。

但问题出在哪里？

1. 区间太宽，形同废话： 假如某款新降压药做完临床试验，结果确实是“\(p = 0.03\)，显著优于安慰剂”。但仔细一看数据的 95% 置信区间（Confidence Interval, CI），降压幅度是 \([0.1, 7.9]\text{ mmHg}\)。 在统计学上，它确实跑赢了 0；但在临床医生眼里，如果实际效果只是 \(0.1\text{ mmHg}\)，那跟喝凉白开没区别，而且患者还要承受潜在的副作用和药费。
2. 凭空捏造假想敌： 如果你做的是流行病学发病率调查、AI 辅助诊断算法的准确率评估，或者罕见病表征分析，你本来就是为了“看看真实数值是多少”，世界上哪有什么天然的对照组 \(H_0\)？ 为了硬套功效公式，许多人只能强行编造一个“假定发病率不等于 50%”，完全脱离了研究的真实意图。

换把精准的“卡尺”：精度导向

既然蜂鸣器只能报警，那能不能给研究换一把卡尺？

这就是**精度导向（Precision-Based Sample Size）**的核心理念。

资料陈述：著名医学统计学家 Martin Bland 在 2009 年的《英国医学杂志》（BMJ）上大声疾呼：临床研究应该摆脱对功效和显著性的单一崇拜，将样本量规划的基础建立在“置信区间有多窄”上。¹

什么是精度导向？它的思路非常平实直白：

• 别再跟我谈什么假设原发病率为 0；
• 直接定一个临床能接受的误差范围：“我希望最后估算出来的诊断准确率，误差不超过 \(\pm 3\%\)（即置信区间总宽度不要超过 6%）。”

以测量身高、体重或血压这类数值为例，如果你希望估算出的平均值与真实值的误差不超过 \(\delta\)（比如 \(\pm 1\text{ mmHg}\)），你需要的样本量其实由一个非常朴素的常识决定：

看看这个关系有多直观：

• 如果人群本身个体差异大（波动度大），尺子就要更长（样本要更多）；
• 如果你想把误差缩小一半（尺子刻度精确一倍），需要的样本量就要翻 4 倍（平方反比）。

研究者不需要靠“假设谁等于零”来猜谜，而是根据自己手头的预算和能接受的精度极限，明明白白地算账。

AIPE 范式：再买一份“防手抖保险”

在心理学和精密测量学中，这个想法被升级为 AIPE（Accuracy in Parameter Estimation，参数估计精确度）。

AIPE 考虑了一个更真实的细节：抽样本身是有随机波动的，你的手可能会抖。

普通精度法算出来的样本量，在平均意义上能把置信区间卡在目标宽度内。但这就像抛硬币，每次试验有大概一半的概率运气好、区间窄一点；但也有一半的概率运气差，实际算出的置信区间比你预想的稍微宽了一点点。

如果你做的是关键药物评价或高精度仪器标定，你绝不能承受“只有 50% 的机会达到期望精度”。

AIPE 范式相当于加了一条保险条款：“我不但要求平均宽度达标，还要有 80% 或 90% 的把握（Assurance），确保最终算出来的置信区间宽度绝对不超过我的红线。” 这在统计上会通过更严格的分布调整，多要一小部分样本，从而把不确定性彻底锁死在保险箱里。

工具生态：别迷信万能包

在现代 R 语言生态中，统计学家们已经把这些原本复杂的公式封装得相当好用：

• 想算医学检查、流行病学指标的误差范围？ 用 presize。它直接以 Bland (2009) 的倡导为灵感，想算诊断 AUC、一致性 Kappa 值、率差的样本量，直接输入“我希望区间宽度多宽”，一行代码就能出结果。²
• 做严密的因果推断与相对危险度（RR/OR）分析？ 用 precisely。它基于现代流行病学大师 Rothman & Greenland 的思想，专攻暴露效应比值的置信度控制。³
• 心理学量表与标准化效应量？ 用 MBESS。它把 AIPE 思想贯彻到底，提供极其完善的保险概率（Assurance）反求。

⚠️ 知识库勘误小记：很多网文把 presize 和 precisely 混为一谈，甚至声称它们共用同一套文献。我们在此前对源码和引文的审计中发现，precisely 严格基于流行病学教材框架，文档中一次都没有引用过 Bland；而 presize 才是专门以 Bland 的精度呼吁为动机设计的。选工具前认清理论渊源，结论才立得住。

总结：什么时候用蜂鸣器？什么时候用卡尺？

这并不是说传统假设检验一无是处，两者其实分工明确：

1. 确证性临床试验（如药品上市审批的 III 期 RCT）： 必须使用功效导向（蜂鸣器）。因为监管机构的底线是不放过任何假药（严控一类错误），必须明确给出拒绝“无效假说”的硬门槛。
2. 流行病调查、诊断工具评价、探索性试验、真实世界数据分析： 坚决换用精度导向（卡尺）。不要去测毫无意义的“显著性”，告诉读者和同行你手里的刻度有多准、区间有多窄，才是对科学更诚实的交代。

下次再写方案或读论文时，不妨多问一句：我们究竟是在为了交差制造一个显著的报警声，还是在努力给未知世界量一把清清楚楚的尺子？

相关知识

• 查看精度导向样本量的系统定义与 R 常用函数族：参见 精度导向样本量。
• 当这种精度要求延伸到分群、分学校或分医院的抽样设计时：参见 整群随机试验样本量。
• 在临床预测模型中参数置信区间的精度要求：参见 预测模型开发样本量。

参考文献

局限与说明

1. 极端比例慎用大样本近似：当罕见病发生率极低（如低于 1%）时，基于正态近似的简易精度公式会失效，应采用精确二项分布（Clopper-Pearson）方法。
2. 精度设定切忌过贪：样本量对容许误差的平方成反比，精度要求提高一倍，经费和样本量要翻两番，必须在临床实际意义与可行性之间达成妥协。