生物统计之信谁的？

生物学的飞速发展一方面得益于科学技术的日新月异，另一个方面生物统计方法的日趋丰满也功劳很大。有了生物统计学这把快刀，生物学家终于对乱如麻的现象有了处理办法，嗯，你答对了，就是P值一刀切，哈哈

然而，方法多了，且并非同门出身，相互打架抵触的地方就多了，别说对刚入门的研究生，就是对我这潜水科研江湖十多载的老手，依然非常迷惑，遇到方法打架的时候，到底向左走还是向右走？到底听数学家的还是听咱们生物学家的？

比如一个双因素的处理实验，在数学家那里会斩钉截铁的告诉你，你的实验设计决定了你必须用双因素方差分析，先评估检验两个因素单独以及交互的效应，然后才是后边的组间比大小。而生物学家看到的统计结果跟实际数据表现不一致，比如在A因素一致下，B因素各组间是有差异的，但双因素比下来说B因素无作用。这下子就乱了，生物学家就认为，这个应该进行两次统计比较。

1）统一A因素，比较B因素各组间差异；

2）统一B因素，比较A因素各组间差异。

可这种做法，数学家是不接受的，因为他们认为你这是把整体设计的实验，又拆分了，而且是为了得到差异而这么做的。

我也遇到过多次这样的问题，但我还是遵从生物学的客观来选择分析方法。我的理由是，数学家眼里可能把东西都给抽干了，自变量一词就把不同性质和效果的因素给同等了，这个在一些情况下就会出现问题。

比如A、B两个因素对要检测的指标的贡献是同向的，且各自设定的不同梯度幅度相当——不能一个是1、2、3，一个是1、10、100，除非前人工作表明他们二者功效就是这么个换算关系。那么可能双因素给你的结果是合理的，是合乎生物学道理的，也是可以解释的。

但是两个因素的贡献若是相反的，或者不知道贡献方向梯度设计不合理，那么仅仅用双因素来评判，可能就会导致误判，明明单因素都是有差异的，因为你多加了一个因素，导致结论反转了。

还有个例子，数学家说进行多次t检验会导致误差放大，所以要校正P值，并提供了个Bonferroni法，无非是给P值除以个比较次数n。但是从生物学角度来讲，放进来比较的各个组彼此是完全独立的，你要是进行所谓的P值校正，谁被校正到完全跟你怎么排序这几组有关了，越在最后的P值标准就越小，或者跟你做实验用了多少组有关了，这难道就合理了吗？ 这岂不是导致做的越多反而越难得到结果了？某人碰巧就做了两组，一个对照，然后一个t检验之后，p=0.049，差异显著，文章发了。而另一个人多做了一组，而跟上边一样的两组检验后p=0.049，但标准变成0.025了，结论变成差异不显著了，只能自个存着了。

这种情况下，是否需要校正还是要看实际情况的，肯定存在过度使用的问题。因为我遇到审稿专家居然把不同指标进行的多次检验也要求校正，比如我测了两组动物的十多个组织器官重量，我只能选择t检验，他看到我这些数据列在一个表里的两列，他就说需要校正。被我反驳了，虽然我至今也不是很清楚到底什么情况下会出现所谓的误差因为比较次数多而被放大的问题，至少生物学实验里似乎不存在在一个数据对间进行多次比较的事吧？

关于校正我找到经典教材里的解释：

Bonferroni correction is a method used to counteract the problem of multiple comparisons. The correction is based on the idea that if an experimenter is testing n dependent or independent hypotheses on a set of data, then one way of maintaining the familywise error rate is to test each individual hypothesis at a statistical significance level of 1/n times what it would be if only one hypothesis were tested. So, if it is desired that the significance level for the whole family of tests should be (at most) α, then the Bonferroni correction would be to test each of the individual tests at a significance level of α/n. 

这段话中有个重点，你的目的是要检验多少个统计假设，我的理解数学家的意思是，你要拿n个指标来比较得出一个总的结论：两组间有差异，那么你就需要校正后再下结论。如果你n个指标比完了，各说各的事，那么就是一次比较而已，无须校正。不知对否

相信跟我一样迷糊的同仁不少，同求大神指点哈！

转载本文请联系原作者获取授权，同时请注明本文来自刘全生科学网博客。
链接地址：http://blog.sciencenet.cn/blog-57238-1026603.html