生物统计学

近二十年，生物统计学把自己的第一句话从「用哪个检验」换成了「要估计的量是什么、数据能否识别它、哪一步会出偏」。第一幕（2006–2016）的八条各自换掉一条老规矩：靶向最大似然把因果参数从整体预测里拎出来，网络荟萃分析把「没有头对头试验」改成可估计的一致性，局部假发现率把单个p值换成整批后验，联合模型让缺席的访视进入似然，稳定选择把一次拟合的系数换成重抽样频率，链式插补把缺失从填法问题改成方差问题，MR-Egger把多效性写成可估参数，TRIPOD把模型的价值从方程移到生成链。第二幕（2016–2026）的十二条各自遭遇一次实测清算：目标试验模拟的结论方向由时间零点决定，击落变量的功效由构造方式决定，因果森林在不平衡设计下输给元学习器，双重机器学习修不了错选的控制变量，estimand框架发布两年后协议采纳率接近零，外推估计量在未测修饰因子下同向失效，PROBAST的二十条里只有少数几条承担区分力，每变量十事件规则选错了自变量，校准之外还要净效益，联邦学习的梯度可被反演，真实世界数据识别不了它没有的对照臂。本块二十条的共同判据是：样本大、算法新或p值小，都不能替代对目标量、识别条件与分母的逐项说明。

第一幕的共同动作，是把多重性、缺失、纵向—生存耦合、无效工具与不完整报告从「事后补救」改写成模型里的可估计对象。

甲、靶向最大似然：机器学习也要对准因果参数Targeted Maximum Likelihood Learning

2006年以前，因果参数的估计与整体预测被当成一件事：把结果回归拟合得越好，从中读出的处理效应就越准。van der Laan与Rubin 2006年把目标参数从整体分布里单独拎出来，写出「初始拟合加一次靶向波动」的两步程序：波动方向由目标参数的有效影响函数给出，使更新后的估计在结果回归与处理机制两个模型中至少一个正确时保持一致，两个都正确时达到根号n收敛与半参数效率界（van der Laan 2006，Ref.[1]）。

靶向最大似然推翻的是「预测最优即估计最优」这一默认。灵活学习器的偏差—方差折衷是为预测误差调的，对某一个低维目标参数而言这种折衷通常偏差过大；靶向更新用一次一维回归把偏差项抵消，效率损失由影响函数而不是由学习器决定。

争议最早来自Kang与Schafer 2007年的模拟：他们构造了一组结果模型与倾向得分模型都只轻度错设的数据，结果所有双重稳健估计量的均方误差都大于一个简单的结果回归估计，某些倾向得分极端时甚至差出数倍；「双重稳健」在两个模型都不完全正确时没有任何保证，而这恰是实际数据的常态（Kang 2007，Ref.[2]）。这场争论把双重稳健从「保险」改写成「在正确的那一个模型上成立」。

第二层边界在机器学习进入nuisance之后出现。Zivich与Breskin 2021年在模拟里把随机森林与梯度提升塞进TMLE与增广逆概率加权，发现不做样本分割与交叉拟合时，95%置信区间的实际覆盖率明显低于名义值，偏差来自学习器过拟合带来的一阶余项；做了交叉拟合后覆盖率回到名义附近（Zivich 2021，Ref.[3]）。2006年的定理要求的经验过程条件在灵活学习器上并不自动满足，交叉拟合是它的补丁。

至此靶向最大似然这条的验收对象从「点估计是否一致」改为「给定nuisance错设程度与学习器复杂度时，置信区间的实际覆盖率」。仍未结算的是正值性：当处理概率接近零或一时，影响函数的方差随之爆炸，靶向更新修不了不可识别，截断阈值的选择在2006年的框架里没有位置。

乙、网络荟萃分析：没有直接试验也能比较，但一致性必须入账Network Meta-analysis and Inconsistency

传统荟萃分析只回答「甲对乙」，两种药如果从未被头对头比较过就无法排序。Salanti、Higgins、Ades与Ioannidis 2008年把多个试验的比较写成一张网络，用共同对照把间接比较接进同一相对效应尺度，并把网络的几何、闭环数与每条边上的试验数列为必须报告的对象（Salanti等 2008，Ref.[4]）。

网络荟萃分析推翻的是「没有直接试验就不能比较」这一默认，代价是引进两条新假设：各试验的效应修饰因子分布可交换，以及每个闭环里直接估计与间接估计一致。2008年的论文已经把「不一致」定义为一个可估计的量，而不是一个不便提起的前提。

Song等2011年检验了这条前提是否可以默认：他们从已发表的荟萃分析里抽出112个含闭环的独立网络，逐一比较直接与间接估计，发现约七分之一的闭环存在统计显著的不一致，且不一致常出现在共同对照为安慰剂或试验规模不平衡的闭环（Song等 2011，Ref.[5]）。一致性在真实文献里不是常态，而是需要逐环检验并报告的量。

这条读数把网络荟萃分析的重心从合成挪到诊断：节点分裂、设计—治疗交互模型与闭环特定不一致因子成为标准工序，报告里必须给出每个闭环的直接与间接差及其标准误，而不是只给最终排名。

Nikolakopoulou等2020年的CINeMA把这套诊断做成六个域：研究内偏倚、报告偏倚、间接性、不精确、异质性与不一致，每个网络估计都逐域评级后给出总置信度（CINeMA 2020，Ref.[6]）。至此网络荟萃分析这条的验收对象从「排名概率」改为「每条网络估计在六域评级后的置信度」，Song等2011的七分之一是不一致这一域的基线读数。

丙、局部假发现率：大规模检验要估计“这个结果是假”的概率Local False Discovery Rates

微阵列时代每次实验同时做上万个检验，逐个按0.05裁决会产生成百上千个假阳性；Benjamini–Hochberg程序控制的是整批的假发现比例，仍不回答「这一个是不是假的」。Efron 2007年把两组模型——零假设与非零假设的混合——写成可估计的对象，从观测统计量的经验分布估计零成分的比例与形状，给出每个观测的局部假发现率，并证明用经验零而非理论零可以吸收相关与批次带来的分布偏移（Efron 2007，Ref.[7]）。

局部假发现率推翻的是「p值是逐个检验的最终产物」这一默认。局部假发现率是一个后验概率，其分母来自整批检验的经验分布；单个结果的可信度由它所在的整批决定，这在方法上第一次把「同时做了多少检验」写进每个结果的量里。

争议来自Stephens 2017年：他放弃两组模型，直接假设真实效应的分布是以零为中心的单峰分布，用效应估计与标准误而不是p值作输入，得到的零假设比例估计比Efron的经验零法明显不那么保守，并引入局部假符号率，指出p值把效应方向丢掉了（Stephens 2017，Ref.[8]）。两种方法在同一份数据上给出的「假」的概率可以相差可观，差别来自对效应分布形状的假设。

这条争论把局部假发现率从一个估计量改成一族依赖先验形状的估计量：报告时必须说明用的是两组模型还是单峰模型、零成分是理论零还是经验零，否则不同研究的读数不可比。

Ignatiadis与Huber 2021年把协变量带进多重检验：用交叉加权把每个检验的信息量协变量转成权重，在有限样本下仍控制假发现率，并在RNA测序等数据上显示检出数明显增加（Ignatiadis 2021，Ref.[9]）。至此局部假发现率这条的验收对象从「假发现率是否被控制」改为「给定效应分布假设与协变量权重下，检出数与实际假发现率的联合读数」。

丁、联合模型：纵向轨迹与生存结局不能分开估Joint Models for Longitudinal and Time-to-Event Data

把重复测量的生物标志物当作时依协变量塞进Cox模型，隐含两个错误：测量值有误差，而且只在访视时刻可得；病人越接近死亡越可能缺席访视。Rizopoulos 2010年的JM软件包把联合模型做成可用工具：一个线性混合模型描述标志物轨迹，一个比例风险模型描述事件，两者通过共享随机效应连接，用自适应高斯—厄米特积分做最大似然（JM 2010，Ref.[10]）。

联合模型推翻的是「纵向与生存可以分开建模再拼接」这一默认。分开估计时，标志物轨迹被信息性失访截断，生存模型又把带误差的观测当真值，两个偏差同向；联合模型让缺席本身进入似然。

争议在动态预测上出现。Suresh、Taylor、Spratt、Daignault与Tsodikov 2017年用疾病—死亡模型生成数据，把联合模型与地标法——在每个预测时刻只用存活者重新拟合——放在同一预测任务下比较：轨迹模型正确时联合模型更准，轨迹或关联结构错设时地标法的预测误差反而更小，且计算量小一个量级（Suresh等 2017，Ref.[11]）。「联合总优于两步」只在联合模型的所有部件都正确时成立。

这条读数把联合模型的验收从「参数估计是否一致」改为「给定错设类型时，动态预测的样本外误差」；2010年的软件包文档里的示例全部在模型正确的仿真上完成。

Mauff、Steyerberg、Kardys、Boersma与Rizopoulos 2020年为多个纵向结局的联合模型给出修正两步法：先分别拟合各标志物的混合模型，再在生存模型里用它们的随机效应，并用重抽样修正两步带来的偏差，使多标志物联合模型的计算从不可行变为可行（Mauff等 2020，Ref.[12]）。至此本条的边界写成可数的量：标志物个数与错设类型共同决定联合模型相对地标法的预测误差之比。

戊、稳定选择：高维变量必须用重抽样频率过筛Stability Selection

2010年以前，lasso选出的变量集被直接当作发现，而这个集合对惩罚参数与样本扰动极其敏感。Meinshausen与Bühlmann 2010年提出在半样本子集上反复运行选择程序，记录每个变量被选中的频率，只保留频率超过阈值的变量，并给出期望假选数的上界，该上界只依赖阈值与平均选中变量数而不依赖具体的选择方法（Meinshausen 2010，Ref.[13]）。

稳定选择推翻的是「一次拟合的非零系数就是变量选择结果」这一默认。选择结果从一个集合变成一张频率表，错误控制从依赖模型假设的定理变成依赖重抽样的界。

争议在界的松紧。Shah与Samworth 2013年证明，2010年的上界依赖一个可交换性假设且在实际中过于保守；他们用互补对子抽样——每次同时用一个半样本与它的补集——并在选中频率分布的r凹性假设下把期望假选数的界收紧，在相同错误水平下可用的阈值明显降低、检出变量数明显增加（Shah 2013，Ref.[14]）。原始界不是紧的，按它设阈值会漏掉大量真实变量。

第二层边界是校准：阈值与惩罚强度两个参数在2010年由使用者手工定，不同人得到不同的频率表。这使稳定选择在应用中的可比性受限。

Bodinier、Filippi、Nøst、Chiquet与Chadeau-Hyam 2023年给出自动校准：用一个稳定性得分同时选阈值与惩罚强度，在惩罚回归与图模型上都得到比手工设定更高的检出率与更接近名义的错误控制，并给出软件实现（Bodinier等 2023，Ref.[15]）。至此稳定选择这条的验收对象从「用了稳定选择」改为「给定校准方式下，实际假选数与期望上界之比」。

己、链式方程多重插补：缺失值不是一次填平Multiple Imputation by Chained Equations

单次填补——均值、末次观测结转或回归预测——把缺失值当作已知，所有随后的标准误都被低估。van Buuren与Groothuis-Oudshoorn 2011年的mice软件包把链式方程多重插补做成通用工具：对每个含缺失的变量指定一个以其余变量为条件的插补模型，循环抽样直到收敛，生成若干个完整数据集，分别分析后按Rubin规则合并点估计与方差（van Buuren 2011，Ref.[16]）。

链式方程多重插补推翻的是「缺失值有一个正确的填法」这一默认。插补的目的不是猜对，而是让填入值的分布带上正确的不确定性；多个数据集之间的差异正是缺失带来的额外方差。

争议在相容性。Bartlett、Seaman、White与Carpenter 2015年证明，链式方程逐变量指定的条件模型隐含一个联合分布，当分析模型含平方项、交互项或非线性变换时，这个隐含联合分布与分析模型不相容，标准链式插补给出的系数有偏，偏差随缺失比例增大；他们提出与实质模型相容的插补方法，在同一模拟里把偏差压回零附近（Bartlett等 2015，Ref.[17]）。「任意分析模型都能配链式插补」不成立。

这条读数把插补从数据预处理改回建模：插补模型必须知道分析模型的形状，事先填好一份数据供任何分析共用的做法在含非线性项的分析上会系统出错。

Lee等2021年的TARMOS框架把这些要求写成流程：先按缺失机制与分析目标判断是否需要插补、用什么插补，再规定必须报告的项——缺失比例、机制假设、插补模型、数据集个数与敏感性分析（Lee等 2021，Ref.[18]）。至此链式方程多重插补这条的验收对象从「用了多重插补」改为「插补模型与分析模型是否相容以及缺失机制假设的敏感性范围」。

庚、孟德尔随机化的多效性清算MR-Egger Regression

孟德尔随机化用基因变体做工具变量，其成立条件之一是变体只通过暴露影响结局；随着全基因组关联把几十上百个变体一起用作工具，这一条件几乎必然被部分变体违反。Bowden、Davey Smith与Burgess 2015年把Egger回归搬到汇总数据上：把各变体对结局的效应对其对暴露的效应做加权回归但不强制过原点，斜率在工具强度与多效性独立的假设下一致估计因果效应，截距偏离零即提示方向性多效性（Bowden等 2015，Ref.[19]）。

孟德尔随机化的多效性清算推翻的是「多效性只能靠排除变体来处理」这一默认。多效性从一个不可测的违规变成一个可估计的参数，截距检验成为报告里的标准一行。

争议在假设与功效。Burgess与Thompson 2017年逐条说明MR-Egger的代价：工具强度与多效性独立这一假设不可检验且在变体来自同一通路时容易被违反；斜率估计的方差比逆方差加权法大得多，功效在典型的几十个变体设置下很低；一个离群变体就能把截距从零拉开或把斜率翻转；此外还需要变体—暴露关联无测量误差，用I²统计量衡量的稀释偏差在弱工具时可观（Burgess 2017，Ref.[20]）。截距不为零不是多效性的充分证据，为零也不是它不存在的证据。

这条清算把MR-Egger从主分析降为敏感性分析之一，与加权中位数、加权众数等稳健方法并列，各方法的成立条件互不相同，结论只有在多种方法方向一致时才被接受。

Sanderson等2022年的方法综述把这套多方法比较写成标准流程，并列出每种稳健方法的假设、功效与失效场景，要求报告工具强度、异质性与各方法的估计（Sanderson等 2022，Ref.[21]）。至此孟德尔随机化的多效性清算这条的验收对象从「Egger截距是否显著」改为「多种稳健估计在同一数据上的方向一致性与各自的I²读数」。

辛、TRIPOD：预测模型必须公开完整生成链TRIPOD Reporting Statement

2015年以前，预测模型论文常只给最终方程与一个C统计量，读者无法知道候选变量有多少、怎样筛选、缺失怎样处理、验证是否独立。Collins、Reitsma、Altman与Moons 2015年的TRIPOD声明列出22个条目，分开发、验证与更新三类研究逐条规定必须报告的内容，并附解释文件（Collins等 2015，Ref.[22]）。

TRIPOD推翻的是「模型的价值在最终方程」这一默认。可被审计的对象从方程变成生成链，判断一个模型是否可信的材料是它的开发过程而不是它的性能数字。

争议在声明的效力。Heus等2018年对声明发布后的170篇预测模型论文按TRIPOD逐条评分，发现多数条目的完整报告率偏低，逐篇达标条目的中位数不到全部条目的一半，与声明发布前的水平相比没有可见改善；他们据此提出要针对期刊、审稿与作者各自设计推行策略（Heus等 2018，Ref.[23]）。发布一份清单本身不改变报告行为。

这条读数把TRIPOD从一个「应当如何写」的规范改成一个可以量化的基线：每篇论文的达标条目数是一个可比的数，报告质量的改善只能用它随时间的变化来证明。

Collins等2024年的TRIPOD+AI把清单扩展到机器学习模型：增加数据来源与代表性、公平性评估、模型可获得性与代码公开等条目，并明确回归与机器学习共用一套要求（Collins等 2024，Ref.[24]）。至此TRIPOD这条的验收对象从「是否引用了TRIPOD」改为「按TRIPOD+AI逐条评分的达标条目数及其随年份的变化」。

第二幕的共同动作，是给每一个新框架配一次实测：框架被采纳了多少、失效在哪一项假设上、以及与随机试验或外部验证的一致率是多少。

一、目标试验模拟：先写理想随机试验，再映射观察数据Target Trial Emulation

观察性研究长期的做法是先有数据再找问题，随后用越来越复杂的调整去补随机化的缺席。Hernán与Robins 2016年把次序倒过来：先写下一个若能做就会做的随机试验的协议——资格标准、治疗策略、分配程序、随访起点与终点、结局、因果对比与分析计划——再检查手头的数据库能否逐项模拟；模拟不了的项就是该研究不能回答的问题（Hernán 2016，Ref.[25]）。

目标试验模拟推翻的是「更大的数据与更强的调整能替代设计」这一默认。永生时间偏倚与现用者偏倚这类经典错误被归因为没有对齐资格、治疗分配与随访起点这三个时刻，而对齐是设计问题不是统计问题。

Dickerman、García-Albéniz、Logan、Denaxas与Hernán 2019年用同一份英国初级保健数据做了对照实验：把他汀与癌症的分析按对齐三时刻的目标试验做，风险差接近零；把时间零点提前到首次用药之前或让现用者进入分母，就重现了文献里的保护效应；两处设计选择足以翻转结论（Dickerman等 2019，Ref.[26]）。这是本条最直接的读数：结论的方向由设计而不是由样本量决定。

这条读数把目标试验模拟从一种写法变成一种诊断：任何观察性因果研究都可以被问「你的目标试验是什么、哪一项没对齐」，答不出来的研究不能进入证据合成。

Wang、Schneeweiss与RCT-DUPLICATE 2023年用保险数据库模拟了32项已完成的随机试验，逐项报告模拟结果与试验结果在效应估计与统计显著性上的一致性，一致率未达全数，不一致的多集中在试验的对照臂或结局在数据库里无法对应的情形（Wang等 2023，Ref.[27]）。至此目标试验模拟这条的验收对象从「用了目标试验框架」改为「七要素逐项对齐的比例与模拟结果和真实试验的一致率」。

二、Model-X击落：控制假发现而不要求知道结局模型Model-X Knockoffs

经典变量选择的错误控制要求知道结局如何依赖协变量，模型一错保证就失效。Candès、Fan、Janson与Lv 2018年把假设搬到另一边：不对结局模型作任何假设，只要求知道协变量的联合分布，据此为每个变量生成一个「击落」副本，副本与原变量在分布上可交换但与结局条件独立；比较原变量与副本的重要性得分，就能在有限样本下控制假发现率（Candès等 2018，Ref.[28]）。

Model-X击落推翻的是「错误控制必须以结局模型正确为前提」这一默认。在基因组学里协变量分布可以从数十万个体的基因型学到，而表型模型几乎不可能写对，把假设放到有数据的那一边是本条的全部要义。

争议在构造。Spector与Janson 2022年证明，2018年论文推荐的半定规划构造追求原变量与副本的相关最小，却在协变量高度相关的设计下让副本可以由其余变量重构，重要性得分失去区分力，功效可以趋于零；他们提出最小化可重构性的构造，在同样的错误控制下把功效从接近零拉回到可用水平（Spector 2022，Ref.[29]）。击落变量的构造方式不是实现细节，而是决定功效有无的主变量。

第二层边界在协变量分布本身：分布估计得不准时错误控制的保证按估计误差衰减，而在基因组之外的多数生物医学数据里并没有数十万样本可供学习联合分布。

Sesia、Katsevich、Bates、Candès与Sabatti 2020年把击落用于英国生物样本库的全基因组分析，在多个分辨率上同时定位因果变体所在的区段，报告每一分辨率下的假发现率控制与检出区段数（Sesia等 2020，Ref.[30]）。至此Model-X击落这条的验收对象从「假发现率是否被控制」改为「给定击落构造与分布估计误差时，功效与实际假发现率的联合读数」。

三、因果森林：异质效应必须样本外诚实估计Causal Forests

在2018年以前，异质效应的常规做法是事后分亚组：先看总效应，再在年龄、性别或基线值上切几刀，切到显著为止。Wager与Athey 2018年把随机森林改造成因果森林：每棵树用一半样本决定分裂、另一半在叶内估计处理组与对照组之差，分裂与估计不共用数据，据此证明条件平均处理效应估计的渐近正态性并给出逐点置信区间（Wager 2018，Ref.[31]）。

因果森林推翻的是「异质性只能事后探索、不能推断」这一默认。诚实分样把亚组发现从多重比较的灰区里拉出来，代价是每棵树只用一半数据估计，效率损失由树的数量补偿。

争议在于它是否最优。Künzel、Sekhon、Bickel与Yu 2019年提出把任意学习器组合成元学习器的框架，其中X学习器先分别拟合两组的结果，再交叉插补个体效应并按倾向得分加权；在处理组远小于对照组的模拟里，X学习器的均方误差比因果森林低出可观倍数，因为它能借大组的结构信息估小组的效应（Künzel等 2019，Ref.[32]）。因果森林的优势在两组规模相当且效应函数分段光滑时成立。

这条读数把异质效应估计从「用哪个算法」改成「按设计不平衡程度选择学习器」，并要求报告两组样本量之比与效应函数的复杂度假设。

Nie与Wager 2021年给出R学习器：先用任意方法估计结果均值与倾向得分，再在正交化的残差上直接最小化异质效应损失，证明其误差率只依赖效应函数本身的复杂度而不依赖nuisance函数的复杂度，即准神谕性质（Nie 2021，Ref.[33]）。至此因果森林这条的验收对象从「置信区间是否有效」改为「给定两组不平衡程度与效应函数复杂度时，各学习器的样本外均方误差之比」。

四、双重机器学习：预测器要交叉拟合才配进入因果推断Double/Debiased Machine Learning

把机器学习直接塞进因果估计有两个陷阱：正则化偏差与过拟合偏差，两者都以慢于根号n的速率进入目标参数。Chernozhukov等2018年给出双重机器学习：用Neyman正交的得分函数使目标参数对nuisance的一阶导为零，再把样本分成K折，在一折之外估nuisance、在该折内解得分方程，交叉后合并；只要nuisance的估计误差乘积以o(n^{-1/2})收敛，目标参数就以根号n速率渐近正态（Chernozhukov等 2018，Ref.[34]）。

双重机器学习推翻的是「机器学习不能进因果推断」与「机器学习可以直接进因果推断」两条对立的默认。它能进，但只能进nuisance；目标参数仍由正交矩条件而不是由预测器决定。

争议在控制变量的来源。Hünermund、Louw与Caspi 2023年用带有碰撞变量、中介与工具变量的数据生成过程做模拟，把全部观测变量交给双重机器学习自动选取控制，结果估计系统偏离真值，且偏差方向与大小随lasso惩罚强度变化；算法只按预测力选变量，不区分混杂与碰撞（Hünermund等 2023，Ref.[35]）。正交化消除的是过拟合偏差，不是错选控制变量带来的结构偏差。

这条读数把双重机器学习的验收从「用了交叉拟合」改为「控制变量集是否由因果图而非由算法给出」；2018年的定理假设控制变量集已正确给定，这一假设在原文里没有被作为可检验条件写出。

Chernozhukov、Escanciano、Ichimura、Newey与Robins 2022年把正交化推广为局部稳健估计：对任何可微的目标参数构造对nuisance一阶不敏感的矩条件，把2018年的具体算法提升为一条通用构造，并证明其对nuisance估计方法的选择不敏感（Chernozhukov等 2022，Ref.[36]）。至此本条的边界写成可数的量：控制变量集给定时目标参数的覆盖率，与控制变量集由算法选取时的偏差。

五、Estimand框架：临床问题先于缺失数据处理ICH E9(R1) Estimands

2019年以前，试验统计分析计划的第一句常是「按意向性治疗原则分析」，缺失与停药被当作数据问题在事后处理。ICH E9(R1)附录把次序倒过来：先用五个属性写出要估计的量——治疗、目标人群、结局变量、并发事件的处理策略、总体汇总度量——其中并发事件策略有五种：治疗策略、假想策略、复合策略、在治疗策略与主层策略，每种对应一个不同的临床问题；估计器与缺失数据处理只能在estimand定下之后选择（ICH 2019，Ref.[37]）。

Estimand框架推翻的是「缺失数据是统计问题」这一默认。停药、换药与死亡在附录里是并发事件，处理它们的方式定义了问题本身；同一份数据在假想策略与治疗策略下回答的是两个不同的问题，两者的数值可以相差数倍且都正确。

争议在落地。Kahan、Morris、White等2021年审阅了一批已发表的随机试验协议，发现绝大多数没有完整给出五要素，并发事件及其处理策略几乎从不被明确说明，多数协议仍停留在「意向性治疗」一句；他们据此呼吁把estimand写进协议模板（Kahan等 2021，Ref.[38]）。框架的采纳率在发布两年后仍接近零，这是本条最直接的实测读数。

这条读数把estimand从监管语言变成一个可以逐份协议计数的量：五要素各自的报告率、并发事件策略的说明率，都可以按年份追踪。

Kahan、Hindley、Edwards、Cro与Morris 2024年为临床读者写了附录的入门指南，用具体试验示例说明五种策略如何改变问题与结论，并给出协议里应写的最小内容（Kahan等 2024，Ref.[39]）。至此Estimand框架这条的验收对象从「引用了E9(R1)」改为「五要素与并发事件策略在协议中的逐项报告率」。

六、试验外推：入组者不再自动代表目标人群Generalizing Trial Results

随机试验的内部效度不保证外部效度：入组者比符合资格者更年轻、合并症更少，试验效应只对入组者成立。Dahabreh、Robertson、Tchetgen Tchetgen、Stuart与Hernán 2019年把试验嵌进一个目标队列——所有符合资格者，其中一部分入组——写出识别条件：给定协变量，入组与潜在结果独立且每个人都有正的入组概率；据此给出入组概率加权、结果建模与双重稳健三类估计量及其方差（Dahabreh等 2019，Ref.[40]）。

试验外推推翻的是「试验结果自动适用于目标人群」这一默认。外推成为一个有自己的识别假设与估计量的问题，试验报告应给出入组者与符合资格者在效应修饰因子上的分布差。

争议在假设失效时的行为。Colnet等2024年系统比较了三类外推估计量，证明当某个效应修饰因子没有被测量时，加权、结果建模与双重稳健估计量同向偏离，双重稳健性对这种失效没有保护；他们用一个模拟示例显示，外推估计的方向可以与试验内效应相反（Colnet等 2024，Ref.[41]）。三类估计量不是互为备份，而是共享同一个不可检验的前提。

这条读数把外推的验收从「用了哪个估计量」改为「效应修饰因子是否被完整测量」，而后者只能靠领域知识与敏感性分析回答。

Degtiar与Rose 2023年的综述把可推广性与可运输性分开：前者的目标人群包含试验样本，后者不包含；两者的假设、可用数据与估计量各不相同，综述逐一列出并给出敏感性分析的现有工具（Degtiar 2023，Ref.[42]）。至此试验外推这条的验收对象从「点估计是否被推广」改为「在未测效应修饰因子的敏感性范围内，外推估计的方向是否稳定」。

七、PROBAST：预测模型偏倚必须按四个域审计PROBAST Risk-of-Bias Tool

系统评价预测模型时，此前没有一套统一的偏倚风险工具，评价者各用各的清单。Wolff、Moons、Riley等2019年发布PROBAST：按参与者、预测变量、结局与分析四个域设二十条信号问题，每域分别评偏倚风险与适用性，任一域高风险即整体高风险；分析域的信号问题覆盖样本量、连续变量分类、缺失处理、变量选择与校准评估（Wolff等 2019，Ref.[43]）。

PROBAST推翻的是「预测模型的质量看性能」这一默认。偏倚风险与性能被分开：一个高C统计量的模型可以在四个域里都高风险，而这正是它在外部验证时崩塌的原因。

争议在工具的粒度。Venema等2021年从数百个心血管预测模型的评价中提取了少数几条信号问题组成短表，短表的高偏倚判定与全表高度一致，且被判为高偏倚的模型在外部验证中的区分度显著低于低偏倚模型（Venema等 2021，Ref.[44]）。这一方面首次给出PROBAST判定与实际性能的关联读数，另一方面说明二十条里只有少数几条承担了区分力。

这条读数把PROBAST从一份必须逐条填的清单改成一个可以校准的仪器：哪几条信号问题预测外部性能、哪几条只是形式，可以用验证数据回答。

Andaur Navarro等2021年用PROBAST系统评价了152项用监督机器学习开发的预测模型研究，绝大多数被判为高偏倚风险，主要落在分析域——样本量不足、缺失处理不当、未做校准评估（Andaur 2021，Ref.[45]）。至此PROBAST这条的验收对象从「用了PROBAST」改为「分析域各信号问题的高风险率及其与外部验证性能的关联」。

八、预测模型样本量不再用“每变量十事件”Sample Size for Prediction Models

「每个候选变量至少十个事件」是预测模型领域流传最广的经验规则，来源是1990年代少数模拟。Riley、Ensor、Snell等2019年给出可计算的替代：把开发样本量写成四个条件的最大值——期望收缩因子不低于0.9、期望最优主义不超过0.05、结局比例估计的精度、以及全局收缩下的参数数目，每个条件由预期的Cox–Snell R²与候选参数数决定（Riley等 2019，Ref.[46]）。

预测模型样本量不再用“每变量十事件”推翻的是「样本量看事件数除以变量数」这一默认。所需样本量对预期R²极其敏感：信号弱的模型需要的样本量远大于十事件规则，而信号强时规则又过于保守。

争议来自并行的模拟。van Smeden、Moons、de Groot等2019年在覆盖数千种设定的大规模模拟中发现，逻辑回归预测误差主要由总样本量、结局比例与候选变量数各自决定，每变量事件数这一比值本身没有稳定的预测力；同一每变量事件数在不同结局比例下可以对应差别很大的预测误差（van Smeden等 2019，Ref.[47]）。规则失效不是因为十太少或太多，而是因为它选错了自变量。

这条读数把样本量从一条口号改成一个依赖预期R²的函数，而预期R²只能从先前研究估计，估错R²会把所需样本量错到数倍；报告样本量计算时因此必须报告R²的来源。

Riley、Debray、Collins等2021年把同一思路推到外部验证：验证样本量应按校准截距、校准斜率、C统计量与净效益各自的目标精度计算，四者所需样本量常相差数倍（Riley等 2021，Ref.[48]）。至此预测模型样本量不再用“每变量十事件”这条的验收对象从「事件数够不够十倍」改为「按预期R²与目标精度算出的样本量与实际样本量之比」。

九、校准是预测模型的阿喀琉斯之踵Calibration: The Achilles Heel

预测模型论文的标准性能指标长期只有一个：AUC。Van Calster、McLernon、van Smeden、Wynants与Steyerberg 2019年把校准分成四级——平均校准、弱校准、中等校准与强校准——指出AUC不受风险整体高估或低估影响，一个AUC为0.8的模型可以把所有人的风险都高估一倍；他们要求至少报告校准截距、校准斜率与平滑校准曲线（Van Calster等 2019，Ref.[49]）。

校准是预测模型的阿喀琉斯之踵推翻的是「区分度即性能」这一默认。区分度回答的是排序，校准回答的是数值，临床决策依赖数值：一个高估风险的模型会让治疗阈值以下的人被治疗。

争议在校准是否够。Assel、Sjoberg与Vickers 2017年证明，Brier得分与校准指标都不与临床后果挂钩：两个模型可以校准同样好而在给定治疗阈值下的净效益相差很大，一个校准略差的模型可以在决策相关的风险区间上更有用；他们要求用决策曲线分析在临床阈值范围内报告净效益（Assel等 2017，Ref.[50]）。校准是必要条件，不是评价的终点。

这条争论把预测模型的评价写成三层：区分度、校准、净效益，每层回答不同的问题，任何一层都不能替代其余两层，而净效益依赖临床给出的阈值范围。

Collins、Dhiman、Ma等2024年的BMJ评价指南把这三层与样本量、内部与外部验证、亚组校准一起写成从开发到外部验证的完整流程，并要求每一层都附不确定性（Collins等 2024，Ref.[51]）。至此校准是预测模型的阿喀琉斯之踵这条的验收对象从「报了AUC」改为「校准斜率、校准截距与阈值范围内净效益三者的联合报告」。

十、联邦学习：医疗数据可以不汇总，但偏倚不会因此消失Federated Learning in Medicine

多中心医学影像模型的障碍是数据不能出院。Sheller、Edwards、Reina等2020年在多家机构的脑肿瘤分割任务上比较了集中训练、各院单独训练与联邦训练：联邦训练的分割性能达到集中训练的九成以上，远高于单机构训练，而患者级数据始终不离开各院（Sheller等 2020，Ref.[52]）。

联邦学习推翻的是「多中心模型必须先汇总数据」这一默认。汇总的对象从数据换成梯度或权重，法律与治理障碍被绕过；代价是各院数据分布不同，模型收敛与公平性成为新问题。

争议在隐私。Zhu与Han 2019年证明，只要拿到一次共享的梯度，就可以通过优化一个虚拟输入使其梯度匹配，逐像素重构出训练图像与标签，在小批量下重构接近完美；「不交换数据」不等于「不泄漏数据」（Zhu 2019，Ref.[53]）。联邦学习的隐私保证必须由差分隐私或安全聚合另行提供，不能由架构本身给出。

第二层边界是异质性：各院的扫描仪、人群与标注习惯不同，联邦模型对每家机构的性能差异可以大于集中模型，某些机构在联邦后反而变差；报告只给平均性能会掩盖这一分布。

Dayan、Roth、Zhong等2021年在二十家机构上训练了预测COVID-19患者氧需求的联邦模型，报告了联邦模型相对各院本地模型的平均改善，也报告了在未参与训练的外部机构上的性能（Dayan等 2021，Ref.[54]）。至此联邦学习这条的验收对象从「联邦模型是否接近集中模型」改为「逐机构性能分布、外部机构性能与所用隐私机制三者的联合报告」。

十一、真实世界证据的estimand：数据来源不能替代问题定义Estimands in Real-World Evidence

E9(R1)的estimand框架写给随机试验，真实世界研究长期沿用「数据里有什么就分析什么」。Chen、Scharfstein、Wang、Yu等2023年把五要素逐项映射到真实世界数据：目标人群由数据库覆盖决定而非由研究者选定，治疗策略要区分处方与实际用药，并发事件在电子病历里表现为换药、失访与死亡的混合，时间窗由数据可得性而非临床问题界定；他们给出每一要素在真实世界数据里的可识别条件（Chen等 2023，Ref.[55]）。

真实世界证据的estimand推翻的是「真实世界证据的问题在数据质量」这一默认。问题首先在于问题本身没有被定义，数据库越大，含混的问题得到的答案越精确也越无意义。

争议来自实测。Wang、Schneeweiss与RCT-DUPLICATE 2023年用保险数据库模拟32项已完成的随机试验，逐项预先注册estimand与分析计划，结果在效应估计与显著性两个口径上的一致率均未达全数，不一致集中在数据库无法对应试验的对照臂或结局定义的情形（Wang等 2023，Ref.[27]）。写清estimand是必要条件，数据能否识别该estimand是另一个独立的问题。

这条读数把真实世界研究的验收从「结果是否与试验一致」改为「estimand五要素中有几项能被数据库识别、不能识别的那几项如何计入不确定性」。

Cashin、Hansford、Hernán等2025年的TARGET声明把这套要求写成报告清单：凡声称模拟目标试验的观察研究都必须逐项报告协议、数据映射、识别假设、estimand与其精度（Cashin等 2025，Ref.[57]）。至此本条的边界写成可数的量：五要素的数据库可识别数，与模拟结果和试验结果的一致率。

十二、TARGET声明：目标试验模拟进入可审计报告时代TARGET Reporting Statement

目标试验模拟自2016年起被大量引用，但引用不等于执行。Hansford、Cashin、Jones等2023年系统评价了明确自称模拟目标试验的观察研究，发现多数没有完整写出目标试验协议的七要素，时间零点如何对齐、识别假设是什么常付之阙如，「目标试验」在许多论文里只是一个标签（Hansford等 2023，Ref.[56]）。

Cashin、Hansford、Hernán等2025年据此发布TARGET声明：一张逐项清单，要求报告目标试验协议、观察数据如何映射到每一要素、哪些要素无法对齐及其后果、识别假设、estimand及其精度、以及分析代码的可得性（Cashin等 2025，Ref.[57]）。

TARGET声明推翻的是「方法学框架的采纳可以由引用量证明」这一默认。TARGET把框架的执行写成可逐条核对的报告项，一篇论文是否真的做了目标试验模拟从此可以被第三方计数。

争议在报告能否改变结果的可信度。Wang、Schneeweiss与RCT-DUPLICATE 2023年的32项模拟全部按预注册协议报告，一致率仍未达全数，不一致的来源在数据而不在报告：对照臂与结局在数据库里无法对应（Wang等 2023，Ref.[27]）。报告清单让失败可以被定位，但不能消除数据本身的不可识别。

至此TARGET声明这条的验收对象从「引用了目标试验框架」改为「按TARGET逐项报告的达标条目数，以及未对齐要素的后果是否被写入结论」。2023年的系统评价是达标率的基线，声明发布后的变化是本条唯一能被证伪的读数。

◎ 十条可做的研究命题

1. 命题：双重稳健估计的均方误差在两个nuisance轻度错设时不低于朴素回归；方法：按Kang与Schafer 2007的设定重跑，把nuisance学习器换成随机森林与梯度提升，比较TMLE、AIPW与结果回归的均方误差；证伪：若在错设幅度小于原设定的一半时TMLE的均方误差仍显著低于结果回归，命题被证伪；一台工作站一个月可完成。

2. 命题：网络荟萃分析中不一致闭环的比例随共同对照为安慰剂而上升；方法：从2011年以来发表的含闭环网络荟萃分析中抽取至少100个闭环，按共同对照类型分组，逐环做节点分裂检验；证伪：若安慰剂对照闭环的显著不一致率不高于活性对照闭环，命题被证伪。

3. 命题：两组模型与单峰模型估得的零假设比例之差随真实效应分布的连续程度单调上升；方法：在RNA测序仿真中以混合正态控制效应分布的连续程度，分别用locfdr与ashr估零比例；证伪：若两者之差与连续程度的秩相关不显著，命题被证伪；R包现成。

4. 命题：联合模型相对地标法的动态预测优势在标志物个数增加时递减；方法：用Mauff等2020的修正两步法在一到五个标志物上拟合联合模型，与地标法比较样本外Brier得分；证伪：若五个标志物时联合模型的优势不小于单标志物时，命题被证伪。

5. 命题：互补对子抽样在相关设计下的检出真变量数至少是原始稳定选择的两倍；方法：在相关系数0.7以上的设计矩阵上，按同一期望假选数上界分别运行两种抽样，计数检出真变量；证伪：若检出数之比在至少三种信噪比下都低于两倍，命题被证伪。

6. 命题：与实质模型相容的插补在含交互项的分析中把偏差压到标准链式插补的十分之一以内；方法：取一个公开队列，人工按随机缺失删去30%协变量，分别用mice与smcfcs插补含交互项的Cox模型；证伪：若相容插补的偏差不低于标准插补偏差的十分之一，命题被证伪。

7. 命题：MR-Egger截距检验在变体来自同一通路时的第一类错误率超过名义值两倍；方法：从GWAS目录中构造通路内与通路间两组工具，在无真实因果效应的负对照结局上重复截距检验；证伪：若通路内工具的拒绝率不超过名义值两倍，命题被证伪。

8. 命题：TRIPOD+AI发布后三年内逐篇达标条目数中位数不高于发布前；方法：按Heus等2018的评分方法对2024–2027年发表的预测模型论文重新评分；证伪：若达标条目中位数比2018年读数上升超过五个条目，命题被证伪。

9. 命题：目标试验模拟与真实试验的一致率由对照臂可映射性决定而非由样本量决定；方法：对RCT-DUPLICATE的32项模拟按对照臂能否在数据库中对应分组，比较各组一致率与样本量的关联；证伪：若一致率与样本量的关联强于与对照臂可映射性的关联，命题被证伪；数据已公开。

10. 命题：联邦模型对分布特异机构的性能低于其本地模型的比例随参与机构数上升；方法：在公开的多中心影像数据上按机构数从5到20逐步扩大联邦，逐机构记录联邦模型与本地模型之差；证伪：若性能低于本地模型的机构比例不随机构数上升，命题被证伪。

◎ 资料核验

下列 57 条与正文的 Ref.[n] 逐一对应；除 ICH 指南无 DOI 外，其余 56 条 DOI 在 2026 年 9 月经 doi.org 解析核对通过，同一文献只列一次。