Kruskal-Wallis檢驗 vs. 多次Wilcoxon檢驗：多重比較-spss

在補充圖6中，對喉鏡形態分類、病理類型和病程使用 Wilcoxon秩和檢驗（Mann-Whitney U檢驗） 結合 Bonferroni校正，而非 Kruskal-Wallis檢驗加Dunn’s檢驗，原因如下：

1. 方法選擇的依據

(1) 變量類型與比較組數

變量類型：
- 喉鏡形態分類、病理類型、病程被定義為 有序多分類變量（如病理分級：無增生=0，輕度=1，…，原位癌=4）。
- 分組變量（如FAM49B表達水平）為 二分類變量（高表達組 vs 低表達組）。
組別數量：
- 比較的目標是兩組（如高/低表達組）在有序變量上的分布差異。
- 若比較組別為 三組或更多（如高、中、低表達組），則需使用 Kruskal-Wallis檢驗（多組非參數檢驗），隨后通過 Dunn’s檢驗 進行兩兩比較。

(2) Wilcoxon秩和檢驗的適用性

適用場景：
- 比較 兩組獨立樣本 在 連續變量 或 有序分類變量 上的分布差異。
- 不依賴數據正態性假設，通過秩次（Rank）評估組間差異。
變量要求：
- 獨立變量：二分類（如高/低表達組）。
- 依賴變量：連續型或有序分類變量（如病程、病理分級）。
優勢：
- 直接回答“高表達組是否比低表達組在病理分級上更嚴重”這類問題。
- 對有序變量的等級信息敏感，檢驗效能高于卡方檢驗。

(3) Kruskal-Wallis + Dunn’s檢驗的適用場景

適用場景：
- 比較 三組或更多獨立樣本 的分布差異。
- 例如，若分組為高、中、低表達組，需先通過Kruskal-Wallis檢驗判斷是否存在全局差異，再通過Dunn’s檢驗進行兩兩比較。
局限性：
- 當僅有兩組時，Kruskal-Wallis檢驗等價于Wilcoxon檢驗，但流程更復雜（需額外事后檢驗）。

2. 為什么使用Bonferroni校正？

(1) 多重比較問題

在補充圖6中，需對 多個變量（喉鏡形態、病理類型、病程）進行獨立檢驗。若直接使用原始顯著性水平（如α=0.05），整體第一類錯誤率（假陽性）會顯著增加。例如：

檢驗3個變量時，至少出現1次假陽性的概率為：
$0.05)^3 \approx 0.1426$
即 14.26% 的假陽性風險，遠超預設的5%。

(2) Bonferroni校正的作用

將顯著性閾值調整為：
$\alpha_{\text{校正}} = \frac{\alpha}{n}$
其中，( n ) 為獨立檢驗的次數。例如：
- 若檢驗3個變量，則調整后閾值：
  $\alpha_{\text{校正}} = \frac{0.05}{3} \approx 0.0167$
- 僅當某變量的p值 < 0.0167時，才認為結果顯著。
優勢：簡單易行，嚴格控制家族誤差率（Family-Wise Error Rate, FWER）。
局限性：過于保守，可能增加第二類錯誤（假陰性）。

(3) Dunn’s檢驗的作用（對比）

適用場景：
- 作為Kruskal-Wallis檢驗的事后檢驗，用于多組間的兩兩比較。
- 例如，若分三組（高、中、低表達），需先通過Kruskal-Wallis檢驗確定全局差異，再通過Dunn’s檢驗比較每兩組的差異。
與Bonferroni的差異：
- Dunn’s檢驗專為非參數多組比較設計，直接控制多重比較誤差率。
- Bonferroni是通用校正方法，適用于任何獨立的多重檢驗場景。

3. 總結：為什么選擇Wilcoxon + Bonferroni？

組別數量為兩組：
- 直接使用Wilcoxon秩和檢驗更高效，無需多步檢驗流程。
變量為有序分類或連續型：
- Wilcoxon檢驗能有效利用有序變量的等級信息，避免卡方檢驗忽略排序的問題。
多重比較校正需求：
- 因同時分析多個變量（喉鏡、病理、病程），需通過Bonferroni校正控制整體假陽性風險。
Kruskal-Wallis + Dunn’s的替代性：
- 僅當分組變量為多組（≥3組）時，才需要此組合方法。

4. 操作建議與改進方向

(1) 結果報告規范

表格示例：

變量	Mann-Whitney U	漸近p值	Bonferroni校正后閾值（α=0.0167）	顯著性
喉鏡形態分類	78.5	0.032	0.032 > 0.0167	不顯著
病理類型	92.0	0.127	0.127 > 0.0167	不顯著
病程（月）	65.0	0.008	0.008 < 0.0167	顯著

文字描述：
“高表達組與低表達組的病程存在顯著差異（p=0.008，Bonferroni校正后α=0.0167），而喉鏡形態和病理類型差異未達顯著性。”

(2) 替代方案（若需優化）

Holm-Bonferroni校正：
按p值排序逐步調整閾值，比經典Bonferroni更高效。例如：
- 對最小p值使用α/3，次小p值使用α/2，最大p值使用α/1。
效應量補充：
報告 Cliff’s delta（適用于有序變量）或 秩二列相關性，量化差異程度。
```
* 示例：通過R語言或插件計算Cliff’s delta.
```

(3) 可視化建議

分面條形圖：展示喉鏡形態或病理類型在兩組中的分布比例。
箱線圖或Violin圖：直觀比較病程的中位數及分布形態。

5. 最終結論

在補充圖6中，選擇 Wilcoxon秩和檢驗 + Bonferroni校正 的原因是：

比較目標為 兩組獨立樣本（如高/低表達組）；
依賴變量為 有序多分類或連續型，Wilcoxon檢驗能有效利用其等級信息；
Bonferroni校正確保多重比較的假陽性風險可控。

若未來實驗設計涉及多組（≥3組）比較，可切換至 Kruskal-Wallis + Dunn’s檢驗 組合。
?
好的，我需要回答用戶關于為什么在補充圖6中使用Wilcoxon秩和檢驗（Mann-Whitney U檢驗）結合Bonferroni校正，而不是Kruskal-Wallis檢驗加Dunn’s檢驗的問題。此外，用戶還問到Wilcoxon檢驗是否適用于分類變量和連續型變量。讓我一步一步來思考。

首先，用戶提到的變量是喉鏡形態分類、病理類型和病程，這些已經被轉換為有序多分類變量。用戶想知道為什么選擇Wilcoxon-Mann-Whitney U檢驗（以下簡稱Wilcoxon檢驗）加Bonferroni校正，而不是Kruskal-Wallis檢驗加Dunn’s檢驗，并且對Wilcoxon檢驗的變量類型適用性有疑問。

我需要先回顧這些統計方法的適用場景和區別：