如何模拟虚假二分法的统计缺陷？ADHD遗传研究效力损失测算

你这个研究思路真的很扎实啊！用模拟来论证「谱系障碍强行二分分组会降低遗传学研究统计效力」的论点，完全是直击要害的做法——毕竟真实世界里没法做“完美对照”，模拟就是最有力的证据。

你的现有模拟框架（身高类比） #

你已经搭了个非常贴切的类比：用身高这种连续正态分布的特征模拟ADHD/自闭症的谱系症状，用100个效应量正态分布的二元因子模拟遗传位点，然后强行二分人群做logistic回归。这个类比特别好，因为身高和谱系症状一样，都是多因素驱动的连续特质，强行分组的逻辑和临床中一刀切的诊断方式完全一致。

补全模拟对比，量化效力损失 #

要算出分组导致的效力损失幅度，关键是和不做二分的“黄金标准”分析做对比，具体可以按这几步来：

1. 基准分析：连续变量的线性回归 #

直接用生成的1000人身高（连续变量）和每个二元因子做线性回归，记录两个核心指标：

• 每个真实有效因子（效应量不为0的）被检测出来的比例（这就是统计效力）
• 每个因子的效应量估计值的准确性

2. 二分后的分析：logistic回归 #

按你现在的思路，用阈值（比如身高前20%划分为高个子）把人群二分，做logistic回归，同样记录上述两个指标。

3. 计算效力损失幅度 #

• 核心对比：基准效力 - 二分后效力，这个差值就是分组直接导致的效力损失
• 额外补充：对比两种方法的效应量估计偏差——二分法几乎一定会低估真实效应，你可以统计所有真实有效因子的估计值偏差均值，让论证更全面
• 进阶拓展：试试不同的二分阈值（比如前10%、前30%），看看效力损失随阈值变化的趋势——这对应临床中不同诊断严格程度对研究的影响，能让你的论文结论更有普适性

实操代码示例（R语言） #

给你一段快速实现这个逻辑的代码，你可以按需调整参数：

# 设置随机种子保证结果可重复
set.seed(123)
n <- 1000  # 样本量
k <- 100   # 二元因子数量

# 生成100个二元遗传因子（0/1）
factors <- matrix(rbinom(n*k, 1, 0.5), nrow = n)
# 生成每个因子的效应量（正态分布，模拟真实遗传效应）
effects <- rnorm(k, 0, 0.1)
# 生成连续身高数据：因子效应 + 随机误差
height <- factors %*% effects + rnorm(n, 170, 5)

# ---------------------- 基准分析：线性回归 ----------------------
linear_p_values <- sapply(1:k, function(i) {
  # 每个因子和身高的线性回归
  summary(lm(height ~ factors[,i]))$coefficients[2, 4]
})
# 统计基准效力：真实有效因子中p<0.05的比例
true_effect_idx <- which(abs(effects) > 0)  # 这里简化为效应量不为0的因子
linear_power <- mean(linear_p_values[true_effect_idx] < 0.05)

# ---------------------- 二分后分析：logistic回归 ----------------------
# 按身高前20%划分为高个子组
height_binary <- as.numeric(height > quantile(height, 0.8))
logistic_p_values <- sapply(1:k, function(i) {
  # 每个因子和二分身高的logistic回归
  summary(glm(height_binary ~ factors[,i], family = binomial))$coefficients[2, 4]
})
# 统计二分后的效力
logistic_power <- mean(logistic_p_values[true_effect_idx] < 0.05)

# ---------------------- 计算效力损失 ----------------------
power_loss <- linear_power - logistic_power
cat("强行二分导致的统计效力损失幅度：", round(power_loss * 100, 2), "%\n")

额外优化建议 #

• 重复模拟多次：比如跑100次模拟取平均值，避免单次随机波动影响结果，让你的结论更稳健
• 加入混杂因素：可以在模拟数据里加几个无关协变量，更贴近真实遗传学研究的复杂场景，看看二分法是否会放大混杂的干扰
• 可视化展示：用箱线图对比两种分析的p值分布，或者用柱状图展示不同阈值下的效力损失，论文里放图比纯数字更有说服力

最后提一句：这个身高类比完全可以无缝迁移到你的ADHD研究里——把身高换成「ADHD症状严重程度总分」（连续变量），把二元因子换成遗传位点，就能直接模拟临床中强行诊断二分带来的统计问题。

内容的提问来源于stack exchange，提问作者CabbagePatchCrusader