示例数据

Motulsky等人询问高血压（血压高）患者是否会改变α2- 血小板上的肾上腺素能受体数量（《临床科学》64:265 - 272，1983）。研究认为自主神经受体数量在高血压中发生改变的理由有很多。我们研究血小板是因为可轻松地从血液样本中获取血小板。结果如下所示：

 

这两个平均值几乎相同，因此t检验自然计算出非常高的P值。我们得出如下结论：α的数量不存在统计学显著差异2 相较于对照组，高血压患者的血小板上的受体。我们在近30年前发表这篇文章时，未进一步研究。

可在置信区间方面或使用检验力来分析解读这些负数数据。这两种方式等效，只是思考数据的另一种方式。

使用置信区间解读不重要的结果

所有结果均应附有置信区间，显示您确定相关差异（比率等）的能力。就我们的示例而言，组平均值之间的差异的95%置信区间从 - 45个受体/血小板延伸至57个受体/血小板。一旦我们接受了t检验分析的假设，我们可95%确定该区间包含两组受体平均数量之间的真正差值。为正确看待这一点，您需要知道每个血小板的受体平均数量约为260。

置信区间必须进行科学解读。这里有两种非常不同的方法来解读该置信区间。

•CI包括每种方式变化20%的可能性。20%的变化很巨大。在如此宽的CI内，数据并非结论性。可能不会有任何改变。可能会大幅减少。可能会大幅增加。

•CI向我们表明，每个方向的真正差异不太可能超过20%。因为我们只对50%的变化感兴趣，因此我们可得出结论，任何差异最多仅约20%，这在生物学上是微不足道。这些均属于确凿的负结果。

这两种说法均合理。这完全取决于您如何解读20%的变化。统计计算只能计算概率。是否将这些放在科学的背景下完全取决于您。类似于检验检验力计算，不同科学家可能对相同结果有不同解读。

使用检验检验力分析解读不重要的结果

该研究是否发现了差异的检验力（如有差异）？答案取决于差异程度。以下是以图表形式显示的结果（使用GraphPad StatMate创建）。

所有研究均有检测“大”差异的高检验检验力和检测“小”差异的低检验检验力，因此检验检验力图表均有相同的形状。解读图表取决于将结果置于科学背景中。以下是对结果的两种替代解读：

•我们真正关心的是心脏、肾脏、大脑和血管中的受体，而非血小板中的受体（后者更方便）。因此，如果差异是50%，我们将只追求这些结果（执行更多研究）。每个血小板受体的平均数量约为260，因此如果差异超过平均数量的一半，或130，我们只对这些结果感兴趣。从上图表可看出，该研究有极高检验检验力检测130个受体/血小板的差异。换言之，如果差异确实比较大，则该研究（鉴于样本量和变异性）几乎肯定会发现统计学上显著的差异。因此，该研究给出了令人信服的负结果。

•嘿，这是高血压。没有什么很简单。没有大的影响。我们必须尽可能追踪每一条线索。找到50%的差异是件好事（见上图），但实际上，鉴于高血压的异质性，我们不能指望找到这么大的差异。即使只有20%的差异，我们仍想做后续试验。由于每个血小板受体的平均数量是260，这意味着我们想找到每个血小板约50个受体的差异。从图表（或表格）中可看出，该试验发现每个细胞有50个受体的差异的检验检验力仅约50%。这意味着，即使真的有这么大的差异，该特定的试验（给定其样本量和分散性）也只有50%的机会找到统计学上显著的结果。在如此低的检验检验力下，我们真的不能从该试验中得出很多结论。发表这种观点的审查者或编辑可能会令人信服地认为，将具有如此低的检验检验力的负数据公布以检测有趣的结果毫无意义。

如您所见，对检验检验力的解读取决于您认为在科学上或实践中检测到的差异有多大。不同人可能会得出不同结论。请注意，查找研究的检验检验力来检测我们实际观察到的差异毫无帮助。这是一种常见误解。

比较两种方法

置信区间和检验检验力分析基于相同的假设，因此结果只是看待同一事物的不同方式。通过对已完成的研究进行检验检验力分析，您不会获得额外的信息，但检验检验力分析可帮助您正确看待结果

检验检验力分析方法是基于头脑中的一个替代假设。然后您可以提问，如果您的其他假设为真，则一个实际使用的样本量的试验会产生统计学显著的结果的概率是多少。

如果您的目的只是理解您的结果，置信区间方法就足够。如果您的目的是批评别人的研究，或者计划将来类似的研究，则执行一项检验检验力分析也有帮助。

参考文献

1.Motulsky HJ、O'Connor DT、Insel PA。经治疗和未治疗的原发性高血压患者的血小板α2 - 肾上腺素能受体。《临床科学》（Lond）。1983年3月；64（3）:265 - 72。