OECD

OECD 统计决策树工具是一个引导式统计分析系统,基于选择并应用正确统计检验的决策框架,用于分析试验数据。用户无需手动应对复杂的统计理论,工具会自动遵循 OECD 决策路径——在每个阶段评估数据类型、正态性、方差齐性和组数——并相应地应用合适的检验。

最后审阅

核心要点

OECD 统计决策树工具是一个引导式统计分析系统,基于选择并应用正确统计检验的决策框架,用于分析试验数据。

本页内容
  1. 什么是 OECD?
  2. 何时使用 OECD?
  3. 步骤 1——数据类型评估
  4. 步骤 2——正态性检查(连续型数据)
  5. 步骤 3——参数路径
  6. 步骤 4——非参数路径
  7. 正确使用 OECD 的指南
  8. 替代方法:何时不宜使用 OECD
  9. OECD 示例
  10. 如何进行 OECD

什么是 OECD?

OECD 统计决策树工具是一个引导式统计分析系统,基于选择并应用正确统计检验的决策框架,用于分析试验数据。用户无需手动应对复杂的统计理论,工具会自动遵循 OECD 决策路径——在每个阶段评估数据类型、正态性、方差齐性和组数——并相应地应用合适的检验。

该工具旨在确保统计结论在科学上有效、完全可重现,并符合国际公认的指南。这在毒理学、环境科学、药物研究和监管申报研究中尤为关键,因为在这些领域,统计检验的选择必须有文件记录、有依据,并经得起审计。

简单定义:一种智能的自动化工具,逐步遵循 OECD 统计决策流程图——评估您的数据类型、分布和分组结构——自动选择并应用正确的统计检验,使您始终获得有效且站得住脚的结果。

何时使用 OECD?

  • 当需要一次性运行完整的统计比较流程,而不是边做边逐个检验地决定时,使用 OECD 流程图方法。无需在每次检验后停下来考虑下一步,只需预先输入数据特征——数据类型、正态性结果、方差结果——整个决策树便会一次性得出结论。
  • 它主要是一个 比较框架 ——专门用于在比较各组之间(2 组或 3 组以上)或各组与对照组时,确定应采用哪种统计检验。无需在每一步逐个检验地决定,而是预先输入数据特征。主要用于 制药领域。

该工具按严格的逻辑顺序遵循 OECD 流程图。每一步都会产生一个决定,该决定决定接下来走路径的哪个分支。了解这一流程,有助于解读工具的输出,并理解为什么针对您的特定数据选择了某种统计检验。

步骤 1——数据类型评估

第一个决策点判断数据是连续型还是离散型/定量反应型。这一区分决定了后续的整个路径。

数据类型

说明与示例

连续型数据

可在某一范围内取任意值的测量数值,例如体重、酶活性、器官重量、浓度或血液学参数。对于连续型数据,工具接着进行正态性检查。

离散型或定量反应型数据

计数、百分数、比率、秩次或分类结果,例如受影响动物的数量、病变发生率、有无反应或严重程度评分。工具直接进入非参数或分类检验的选择。

步骤 2——正态性检查(连续型数据)

对于连续型数据,工具使用所选的正态性检验,检查数据是否服从正态(钟形曲线)分布。其结果决定接下来走哪条统计路径。

如果未拒绝正态性(p ≥ α)——数据为正态:

→ 工具沿参数路径继续。

→ 参数检验具有更高的检验功效,在正态性得到确认时应始终使用。

如果拒绝正态性(p < α)——数据为非正态:

→ 尝试进行数据变换(对数、平方根等)。

→ 对变换后的数据重新检查正态性。

→ 如果变换后的数据为正态 → 对变换后的数据应用参数检验。

→ 如果变换后的数据仍为非正态 → 工具转入非参数路径。

步骤 3——参数路径

一旦确认数据为正态(或已成功变换为正态),工具便根据所比较的组数确定合适的参数检验。

比较 2 组

工具使用 F 检验检查方差齐性,以判断两组的方差在统计上是否相等。

方差齐性结果

所应用的统计检验

方差相等(F 检验不显著)

应用 Student t 检验。这是假定两组方差相等的标准双样本 t 检验。

方差不等(F 检验显著)

应用 Satterthwaite 法(Welch t 检验)。该变体不假定方差相等,并相应调整自由度。

比较 3 组或更多组

工具使用 Bartlett 检验、Levene 检验或 Brown-Forsythe 检验检查方差齐性。

方差齐性结果

所应用的统计检验

方差相等(不显著)

应用方差分析(ANOVA)。→ 如果 ANOVA 显著:进行 Dunnett 检验,将每个处理组与对照组逐一进行两两比较。→ 如果 ANOVA 不显著:无需进一步检验。停止。

方差不等(显著)

工具直接转入不假定方差齐性的相应检验。

步骤 4——非参数路径

当数据无法正态化,或数据由计数、百分数或秩次构成时,工具遵循非参数路径。

数据情形

所应用的检验

结果 / 后续步骤

计数 / 百分数 / 秩次数据,≥ 3 组

Kruskal-Wallis 检验

如果显著 → Dunn 检验(事后检验)。如果不显著 → 停止。

计数 / 百分数 / 秩次数据,2 组

Mann-Whitney U 检验

直接比较两个独立组。

分类数据或指数数据

卡方

检验的选择取决于具体的数据结构和研究设计。

正确使用 OECD 的指南

  • 确保数据录入正确且一致—— 输入阶段的数据录入错误 会传递到决策树的每一个后续决策,并可能导致应用错误的检验。
  • 谨慎选择响应列——如果选择多个响应,每一列都必须代表一个 完整、独立的组数据集。如果选择单个响应,应确保因子列正确且完整地标识每个观测值所属的组。
  • 保持 Anderson-Darling 和 Shapiro-Wilk 两种正态性检验均处于启用状态(默认设置)。两个独立的检验得出相同的正态性结论,可增强所选路径在科学上的说服力。

替代方法:何时不宜使用 OECD

  • 如果您的研究 不要求符合 OECD 指南 且没有监管背景,请直接使用最合适的具体统计检验——OECD 决策树框架会增加结构化的额外工作量,对于纯探索性或学术性分析可能并无必要。
  • 如果您的研究需要 回归、相关分析或剂量-反应建模,而不是简单的组间比较,请使用相应的回归或建模工具——OECD 工具专门用于组均值比较,而不是拟合连续型变量之间的关系。
  • 如果有 配对观测  ——例如来自同一受试对象的前后测量——请使用 配对 t 检验或 Wilcoxon 符号秩检验。此处实现的 OECD 决策树假定各组相互独立。
  • 如果数据本质上是 时间序列或纵向数据,即测量值随多个连续时间点变化,请使用 重复测量方差分析、混合效应模型或时间序列分析
  • 如果主要分析目标是 等价性检验或非劣效性评估 而不是检测差异,请使用专门的等价性检验方法,而不是 OECD 决策树的标准优效性框架。

OECD 示例

一名化学工程师想比较四种油漆配方的硬度。每种油漆配方取六个样品涂在一块金属上,然后固化。随后测量每个样品的硬度。步骤如下:

  1. 收集所需数据。
OECD — figure 1

2. 现在,在 Zometric Statistical Software 中分析数据,网址为 https://statsai.zometric.com/。

3. 要找到 OECD,请选择 Statistical module> OECD>OECD。

4. 在工具中输入数据及其他输入项,如下所示:

OECD — figure 2

5. 使用上述工具后,得到如下输出:

OECD — figure 3OECD — figure 4OECD — figure 5OECD — figure 6OECD — figure 7OECD — figure 8OECD — figure 9OECD — figure 10OECD — figure 11

如何进行 OECD

操作步骤如下:

  1. 登录 Zometric Statistical Software,网址为 https://statsai.zometric.com/
  2. 在首页选择 Statistical Tool> OECD>OECD。
  3. 接下来,手动更新数据,或从 Excel 表格中完整复制(Ctrl+C)数据并粘贴(Ctrl+V);也可以使用 Load Example 选项加载示例数据。
  4. 接下来,填写所需选项。
  5. 最后,点击页面底部的 calculate,即可得到所需结果。

OECD 的工具界面分为两部分。

OECD — figure 12

左侧为数据窗格(Data Pane)。在 Data Pane 中,每一行构成一个子组。可以手动输入数据,也可以从 Excel 表格中完整复制(Ctrl+C)数据并粘贴(Ctrl+V)到此处。

Load example: 将加载示例数据。

Load File: 用于直接加载 Excel 数据。

右侧提供以下选项:

  • Response: 选择包含要分析的结果测量值的一列或多列——例如体重、酶活性、肿瘤发生率、血液学数值,或研究中各组记录的任何其他终点。使用 Ctrl 或 Command + 点击可同时选择多个响应列。

所选响应列的数量直接决定 Factor 选项是否为必填:

选择

工具的行为

选择了多个响应

每个所选列代表一个独立的组。工具直接用这些列来定义分组——无需额外的 Factor 列。各列中的测量值直接相互比较。

选择了单个响应

所有测量值堆叠在一列中,必须另选一个 Factor 列,以标识每个测量值所属的组。没有 Factor 列,工具就无法确定哪些观测值属于哪个组。

⚠ 重要:当选择单个响应时,Factor 字段变为必填。在分析继续之前,工具会提示您选择 Factor 列。

  • Factor: 选择标识每个观测值所属组的列。该列包含分类标签或编码,表明数据的每一行属于哪个试验组——例如 Control、Low Dose、Mid Dose、High Dose,或 Group 1、Group 2、Group 3。因子列告诉工具如何将单个响应列拆分为多个组进行比较。如果未正确指定因子,所有测量值都会被视为属于同一组,也就无法进行有意义的比较。只有恰好选择一个响应列时,此字段才为必填。选择多个响应列时,每一列代表一个组,无需 Factor。选择多个响应时,该字段将呈灰色或被忽略
  • Tests for Normality: 定义在决策树的步骤 2 使用哪种或哪几种统计检验来评估响应数据是否服从正态分布。该检验的结果决定整个分析遵循参数分析路径还是非参数分析路径。提供三种检验:
    • Anderson-Darling : 一种功效较强的综合性正态性检验,特别强调分布的尾部——即极高值和极低值。这使其对尾部偏离正态性的情况尤为敏感,而在毒理学和环境数据中,尾部往往是实际上最重要的区域。Anderson-Darling 检验推荐用于各种样本量的通用场合,在预期尾部行为与正态分布不同时尤其有效。
    • Shapiro-Wilk: 被广泛认为是小样本(通常 n < 50)下功效最强、最可靠的正态性检验,而这正是 OECD 指南研究中最常见的情形,其组大小通常为 5 至 20 只动物。Shapiro-Wilk 检验是 OECD 统计指南中引用的主要正态性检验,也是制药和毒理学统计中的标准选择。强烈建议在监管研究分析中始终保持启用该检验。
    • Ryan-Joiner: 一种基于相关性的正态性检验,通过度量观测数据与理论正态分位数之间的相关性,来评估数据与正态分布所预期模式的吻合程度。它在概念上与 Shapiro-Wilk 检验类似,但采用不同的计算方法。在监管工作中较少需要,但当审评机构特别要求或偏好基于相关性的正态性评估时,可以启用。
  • 当选择了多种正态性检验时,工具会运行所有勾选的检验并报告所有结果。总体的正态性判定基于最保守的结果——只要任何一项所选检验表明非正态(p < α),数据就被视为非正态,并遵循非参数路径
    Confidence Level (Default: 95): 设置在整个决策树中对每一项假设检验一致使用的显著性阈值——包括正态性检验、方差齐性检验和最终的组间比较检验。所输入的值表示置信度百分数,所有决策所用的相应 α 水平按 (100 − Confidence Level) ÷ 100 计算。
     
    置信水平
    α 水平及适用场合
    95(默认)
    Alpha = 0.05。大多数科学研究和监管性 OECD 研究的标准置信水平。得出假阳性结论的概率为 5%。这是 OECD 指南和各国监管机构最常要求的水平。
    99
    Alpha = 0.01。检验更为保守——需要更强的证据才能宣布结果显著。可减少假阳性,但可能漏掉较小的真实效应。当假阳性的后果特别严重时使用。
    90
    Alpha = 0.10。检验更为灵敏,可检出更小的差异,但会增加假阳性结论的风险。仅适用于探索性研究或预试验,此类研究中漏掉真实效应是更大的顾虑。

常见问题

什么是 OECD 统计决策树?

OECD 统计决策树工具是一个引导式分析系统,可为试验数据选择并应用正确的统计检验。它遵循 OECD 决策路径,在每个阶段评估数据类型、正态性、方差齐性和组数,因此结论可重现且站得住脚。它用于毒理学、环境科学、药物研究和监管申报。

OECD 决策树对正态数据应用哪些检验?

对于两组,用 F 检验检查方差:方差相等时采用 Student t 检验,方差不等时采用 Satterthwaite 法(Welch t 检验)。对于三组或更多组,用 Bartlett 检验、Levene 检验或 Brown-Forsythe 检验检查方差;方差相等时应用 ANOVA,若 ANOVA 显著,则再进行与对照组比较的 Dunnett 检验。

在 OECD 决策树中,数据不服从正态分布时会怎样?

如果拒绝正态性,会尝试对数或平方根等变换,并重新检查正态性。如果变换后的数据仍为非正态,则遵循非参数路径:三组或更多组采用 Kruskal-Wallis 检验及 Dunn 事后检验,两组采用 Mann-Whitney U 检验,分类数据或指数数据采用卡方检验。

何时不应使用 OECD 决策树?

不要将其用于配对观测(应使用配对 t 检验或 Wilcoxon 符号秩检验)、回归或剂量-反应建模、时间序列或纵向数据,或等价性和非劣效性检验。在没有 OECD 监管背景的情况下,直接使用最合适的具体检验可能更简单。