Kruskal-Wallis检验 vs. 多次Wilcoxon检验：多重比较-spss

在补充图6中，对喉镜形态分类、病理类型和病程使用 Wilcoxon秩和检验（Mann-Whitney U检验） 结合 Bonferroni校正，而非 Kruskal-Wallis检验加Dunn’s检验，原因如下：

1. 方法选择的依据

(1) 变量类型与比较组数

变量类型：
- 喉镜形态分类、病理类型、病程被定义为 有序多分类变量（如病理分级：无增生=0，轻度=1，…，原位癌=4）。
- 分组变量（如FAM49B表达水平）为 二分类变量（高表达组 vs 低表达组）。
组别数量：
- 比较的目标是两组（如高/低表达组）在有序变量上的分布差异。
- 若比较组别为 三组或更多（如高、中、低表达组），则需使用 Kruskal-Wallis检验（多组非参数检验），随后通过 Dunn’s检验 进行两两比较。

(2) Wilcoxon秩和检验的适用性

适用场景：
- 比较 两组独立样本 在 连续变量 或 有序分类变量 上的分布差异。
- 不依赖数据正态性假设，通过秩次（Rank）评估组间差异。
变量要求：
- 独立变量：二分类（如高/低表达组）。
- 依赖变量：连续型或有序分类变量（如病程、病理分级）。
优势：
- 直接回答“高表达组是否比低表达组在病理分级上更严重”这类问题。
- 对有序变量的等级信息敏感，检验效能高于卡方检验。

(3) Kruskal-Wallis + Dunn’s检验的适用场景

适用场景：
- 比较 三组或更多独立样本 的分布差异。
- 例如，若分组为高、中、低表达组，需先通过Kruskal-Wallis检验判断是否存在全局差异，再通过Dunn’s检验进行两两比较。
局限性：
- 当仅有两组时，Kruskal-Wallis检验等价于Wilcoxon检验，但流程更复杂（需额外事后检验）。

2. 为什么使用Bonferroni校正？

(1) 多重比较问题

在补充图6中，需对 多个变量（喉镜形态、病理类型、病程）进行独立检验。若直接使用原始显著性水平（如α=0.05），整体第一类错误率（假阳性）会显著增加。例如：

检验3个变量时，至少出现1次假阳性的概率为：
$0.05)^3 \approx 0.1426$
即 14.26% 的假阳性风险，远超预设的5%。

(2) Bonferroni校正的作用

将显著性阈值调整为：
$\alpha_{\text{校正}} = \frac{\alpha}{n}$
其中，( n ) 为独立检验的次数。例如：
- 若检验3个变量，则调整后阈值：
  $\alpha_{\text{校正}} = \frac{0.05}{3} \approx 0.0167$
- 仅当某变量的p值 < 0.0167时，才认为结果显著。
优势：简单易行，严格控制家族误差率（Family-Wise Error Rate, FWER）。
局限性：过于保守，可能增加第二类错误（假阴性）。

(3) Dunn’s检验的作用（对比）

适用场景：
- 作为Kruskal-Wallis检验的事后检验，用于多组间的两两比较。
- 例如，若分三组（高、中、低表达），需先通过Kruskal-Wallis检验确定全局差异，再通过Dunn’s检验比较每两组的差异。
与Bonferroni的差异：
- Dunn’s检验专为非参数多组比较设计，直接控制多重比较误差率。
- Bonferroni是通用校正方法，适用于任何独立的多重检验场景。

3. 总结：为什么选择Wilcoxon + Bonferroni？

组别数量为两组：
- 直接使用Wilcoxon秩和检验更高效，无需多步检验流程。
变量为有序分类或连续型：
- Wilcoxon检验能有效利用有序变量的等级信息，避免卡方检验忽略排序的问题。
多重比较校正需求：
- 因同时分析多个变量（喉镜、病理、病程），需通过Bonferroni校正控制整体假阳性风险。
Kruskal-Wallis + Dunn’s的替代性：
- 仅当分组变量为多组（≥3组）时，才需要此组合方法。

4. 操作建议与改进方向

(1) 结果报告规范

表格示例：

变量	Mann-Whitney U	渐近p值	Bonferroni校正后阈值（α=0.0167）	显著性
喉镜形态分类	78.5	0.032	0.032 > 0.0167	不显著
病理类型	92.0	0.127	0.127 > 0.0167	不显著
病程（月）	65.0	0.008	0.008 < 0.0167	显著

文字描述：
“高表达组与低表达组的病程存在显著差异（p=0.008，Bonferroni校正后α=0.0167），而喉镜形态和病理类型差异未达显著性。”

(2) 替代方案（若需优化）

Holm-Bonferroni校正：
按p值排序逐步调整阈值，比经典Bonferroni更高效。例如：
- 对最小p值使用α/3，次小p值使用α/2，最大p值使用α/1。
效应量补充：
报告 Cliff’s delta（适用于有序变量）或 秩二列相关性，量化差异程度。
```
* 示例：通过R语言或插件计算Cliff’s delta.
```

(3) 可视化建议

分面条形图：展示喉镜形态或病理类型在两组中的分布比例。
箱线图或Violin图：直观比较病程的中位数及分布形态。

5. 最终结论

在补充图6中，选择 Wilcoxon秩和检验 + Bonferroni校正 的原因是：

比较目标为 两组独立样本（如高/低表达组）；
依赖变量为 有序多分类或连续型，Wilcoxon检验能有效利用其等级信息；
Bonferroni校正确保多重比较的假阳性风险可控。

若未来实验设计涉及多组（≥3组）比较，可切换至 Kruskal-Wallis + Dunn’s检验 组合。
⛄
好的，我需要回答用户关于为什么在补充图6中使用Wilcoxon秩和检验（Mann-Whitney U检验）结合Bonferroni校正，而不是Kruskal-Wallis检验加Dunn’s检验的问题。此外，用户还问到Wilcoxon检验是否适用于分类变量和连续型变量。让我一步一步来思考。

首先，用户提到的变量是喉镜形态分类、病理类型和病程，这些已经被转换为有序多分类变量。用户想知道为什么选择Wilcoxon-Mann-Whitney U检验（以下简称Wilcoxon检验）加Bonferroni校正，而不是Kruskal-Wallis检验加Dunn’s检验，并且对Wilcoxon检验的变量类型适用性有疑问。

我需要先回顾这些统计方法的适用场景和区别：