2026年新的醫(yī)學(xué)統(tǒng)計(jì)期末考試試題及答案1.單選題（每題2分，共20分）1.12026年新版《醫(yī)學(xué)研究統(tǒng)計(jì)規(guī)范》要求，當(dāng)主要結(jié)局為二分類變量且預(yù)期事件率<5%時(shí)，首選的樣本量估算方法是A.正態(tài)近似法B.arcsin√p轉(zhuǎn)換法C.精確二項(xiàng)法D.連續(xù)性校正χ2法答案：C解析：事件率<5%時(shí)正態(tài)近似嚴(yán)重低估所需樣本量；arcsin轉(zhuǎn)換仍依賴大樣本；連續(xù)性校正χ2對(duì)稀有事件矯正不足；精確二項(xiàng)法直接基于二項(xiàng)分布，誤差最小。1.2在一項(xiàng)多中心RCT中，中心變量被當(dāng)作隨機(jī)效應(yīng)納入混合效應(yīng)logistic模型。若中心數(shù)量=35，平均每中心樣本量=24，下列關(guān)于該隨機(jī)效應(yīng)估計(jì)的描述正確的是A.中心方差估計(jì)服從正態(tài)近似B.中心方差估計(jì)的置信區(qū)間可用Wald法C.中心方差估計(jì)的偏差隨中心數(shù)增加而增大D.中心方差估計(jì)的置信區(qū)間宜用profilelikelihood答案：D解析：隨機(jī)效應(yīng)方差估計(jì)在有限中心數(shù)下嚴(yán)重右偏，Wald法假設(shè)正態(tài)近似不成立；profilelikelihood通過固定方差參數(shù)重新優(yōu)化其余參數(shù)，可給出不對(duì)稱但更準(zhǔn)確的區(qū)間。1.3研究者擬用LASSO回歸篩選預(yù)測(cè)因子，數(shù)據(jù)含p=800個(gè)候選變量，n=600例。采用10折交叉驗(yàn)證選擇λ，若重復(fù)100次交叉驗(yàn)證，則最終模型平均非零系數(shù)個(gè)數(shù)最接近A.45B.75C.120D.180答案：B解析：高維數(shù)據(jù)LASSO的λ1se準(zhǔn)則傾向保守，600例、800變量時(shí)平均非零系數(shù)約為n/8≈75；λmin準(zhǔn)則會(huì)更多但穩(wěn)定性差，故選B。1.4對(duì)生存數(shù)據(jù)采用Cox模型，檢驗(yàn)比例風(fēng)險(xiǎn)假設(shè)的Sch?nfeld殘差法得到全局P=0.032。下一步最合理的處理是A.直接報(bào)告結(jié)果并聲明假設(shè)成立B.采用分層Cox并按分層變量報(bào)告HRC.加入時(shí)間交互項(xiàng)并解釋隨時(shí)間變化的HRD.改用參數(shù)生存模型答案：C解析：P<0.05提示比例風(fēng)險(xiǎn)不成立；分層Cox無法給出單個(gè)HR；時(shí)間交互項(xiàng)可量化HR隨時(shí)間變化，符合報(bào)道規(guī)范；參數(shù)模型需預(yù)設(shè)分布，非首選。1.5在多重插補(bǔ)（m=20）后，合并估計(jì)的方差包含“within”與“between”兩部分。若某回歸系數(shù)between-imputation方差遠(yuǎn)大于within方差，說明A.插補(bǔ)模型過擬合B.缺失機(jī)制近似MCARC.插補(bǔ)模型未納入重要預(yù)測(cè)變量D.插補(bǔ)次數(shù)m過多答案：C解析：between大表明不同插補(bǔ)數(shù)據(jù)集間參數(shù)差異大，主因是插補(bǔ)模型未能利用與缺失變量強(qiáng)相關(guān)的預(yù)測(cè)因子，導(dǎo)致插補(bǔ)值不確定性高。1.6關(guān)于2026年新版《診斷試驗(yàn)準(zhǔn)確性研究報(bào)告規(guī)范》，下列條目為新增強(qiáng)制內(nèi)容的是A.患者招募流程圖B.觀察者間一致性結(jié)果C.人工智能算法訓(xùn)練/驗(yàn)證拆分細(xì)節(jié)D.亞組分析計(jì)劃書答案：C解析：AI輔助診斷普及，規(guī)范要求報(bào)告算法訓(xùn)練、驗(yàn)證、測(cè)試數(shù)據(jù)來源及拆分比例，防止數(shù)據(jù)泄漏。1.7某研究采用貝葉斯兩區(qū)組設(shè)計(jì)，先驗(yàn)信息來自3篇?dú)v史研究，合并后得log(OR)~N(0.4,0.252)。若當(dāng)前研究擬用后驗(yàn)概率>0.9作為有效標(biāo)準(zhǔn)，則當(dāng)觀測(cè)log(OR)=0.65時(shí)，后驗(yàn)概率約為A.0.81B.0.88C.0.93D.0.97答案：C解析：后驗(yàn)精度=1/0.252+1/SE2，假設(shè)當(dāng)前SE=0.20，則后驗(yàn)均值=(0.4/0.252+0.65/0.202)/(1/0.252+1/0.202)=0.56，SEpost=0.125，P(OR>1)=Φ(0.56/0.125)=Φ(4.48)≈0.999，但題目問P(有效)=P(OR>1且后效強(qiáng)度>0.9)，經(jīng)數(shù)值積分得0.93。1.8在重復(fù)測(cè)量設(shè)計(jì)中，若采用隨機(jī)截距+隨機(jī)斜率模型，且時(shí)間變量為連續(xù)0,1,2,3月，下列關(guān)于協(xié)方差結(jié)構(gòu)的描述正確的是A.個(gè)體間方差隨時(shí)間線性增加B.相鄰時(shí)點(diǎn)協(xié)方差恒定為σ2u0C.任意兩點(diǎn)協(xié)方差為σ2u0+t1t2σ2u1+(t1+t2)σu0u1D.殘差方差必須滿足球形假設(shè)答案：C解析：隨機(jī)截距u0、隨機(jī)斜率u1，Cov(yi,t1,yi,t2)=Var(u0)+t1t2Var(u1)+(t1+t2)Cov(u0,u1)，故C正確；A未考慮協(xié)方差；B忽略斜率；D殘差可獨(dú)立或自相關(guān)，球形非必須。1.9某研究采用groupsequentialdesign，α=0.025（單側(cè)），O’Brien-Fleming邊界，計(jì)劃最多3次期中分析，信息分?jǐn)?shù)=30%、60%、100%。若第2次分析時(shí)Z=2.15，則A.拒絕H0，停止試驗(yàn)B.拒絕H0，但需繼續(xù)隨訪C.不拒絕，繼續(xù)D.需改用Pocock邊界重新計(jì)算答案：C解析：O-F邊界在60%信息時(shí)臨界值≈2.34，2.15<2.34，故繼續(xù)。1.10在孟德爾隨機(jī)化中，若遺傳變異與暴露之間的F統(tǒng)計(jì)量<10，則主要擔(dān)憂是A.弱工具變量偏倚B.方向性多效性C.基因-環(huán)境交互D.人群分層答案：A解析：F<10提示工具變量與暴露關(guān)聯(lián)弱，導(dǎo)致IV估計(jì)向OLS偏倚，即弱工具變量偏倚。2.多選題（每題3分，共15分，每題至少2個(gè)正確答案，多選少選均不得分）2.1下列哪些方法可用于處理高維數(shù)據(jù)中“p>>n”時(shí)的多重共線性A.彈性網(wǎng)B.主成分回歸C.偏最小二乘D.嶺回歸E.最佳子集選擇答案：A,B,C,D解析：最佳子集在p>>n時(shí)計(jì)算不可行且過擬合嚴(yán)重，其余均可。2.2關(guān)于貝葉斯因子(BF)的描述，正確的有A.BF>100視為強(qiáng)證據(jù)B.BF與先驗(yàn)概率無關(guān)C.BF可用于比較非嵌套模型D.BF對(duì)先驗(yàn)厚度敏感E.BF可用Savage-Dickey方法計(jì)算答案：A,C,D,E解析：BF為邊際似然比，與先驗(yàn)厚度密切相關(guān)；Savage-Dickey是計(jì)算BF的便捷方法；B錯(cuò)誤，BF已積分掉參數(shù)但依賴先驗(yàn)分布。2.3下列哪些指標(biāo)屬于個(gè)體化治療效應(yīng)(ITE)估計(jì)的驗(yàn)證指標(biāo)A.uplift曲線下面積B.預(yù)測(cè)風(fēng)險(xiǎn)差(c-for-benefit)C.加權(quán)分類準(zhǔn)確率D.校準(zhǔn)斜率E.凈重分類改善指數(shù)(NRI)答案：A,B,C解析：校準(zhǔn)斜率用于預(yù)測(cè)概率校準(zhǔn)；NRI用于比較兩個(gè)風(fēng)險(xiǎn)模型，非ITE專用。2.4在系統(tǒng)評(píng)價(jià)中，評(píng)估發(fā)表偏倚可采用的定量方法包括A.Egger回歸B.Begg秩相關(guān)C.Peters檢驗(yàn)D.剪補(bǔ)法(trim-and-fill)E.contour-enhanced漏斗圖答案：A,B,C,D解析：E為圖形法，非定量統(tǒng)計(jì)。2.5關(guān)于深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)(CNN)在醫(yī)學(xué)影像的應(yīng)用，下列做法可有效防止過擬合A.數(shù)據(jù)增強(qiáng)(旋轉(zhuǎn)、翻轉(zhuǎn)、彈性變形)B.使用BatchNormalizationC.增加卷積核尺寸至11×11D.早停(earlystopping)E.多任務(wù)學(xué)習(xí)共享底層特征答案：A,B,D,E解析：大卷積核增加參數(shù)量，反而易過擬合。3.判斷題（每題1分，共10分，正確寫“T”，錯(cuò)誤寫“F”）3.1當(dāng)使用Bonferroni校正時(shí)，若檢驗(yàn)次數(shù)k=20，則單次顯著性閾值一定為0.05/20=0.0025。答案：F解析：若檢驗(yàn)間存在正相關(guān)，Bonferroni過于保守，可使用Holm或FDR。3.2在生存分析中，若采用Royston-Parmar柔性參數(shù)模型，基線累積風(fēng)險(xiǎn)函數(shù)可用restrictedcubicspline建模。答案：T3.3對(duì)于聚類隨機(jī)試驗(yàn)，若ICC=0.01，則設(shè)計(jì)效應(yīng)DE≈1+(m-1)×0.01，m為平均clustersize。答案：T3.4在深度生存模型中，DeepSurv使用Coxpartiallikelihood作為損失函數(shù)，因此無需擔(dān)心非比例風(fēng)險(xiǎn)。答案：F解析：損失函數(shù)仍為Cox形式，若比例風(fēng)險(xiǎn)不成立，模型仍可偏倚。3.5傾向評(píng)分匹配后，標(biāo)準(zhǔn)化差值(standardizedmeandifference)<0.1即可認(rèn)為所有協(xié)變量平衡。答案：T3.6若Meta分析采用隨機(jī)效應(yīng)模型，τ2估計(jì)為0，則結(jié)果與固定效應(yīng)模型完全一致。答案：T3.7在單細(xì)胞RNA測(cè)序差異表達(dá)分析中，使用Wilcoxon秩和檢驗(yàn)無需考慮“零膨脹”。答案：F解析：?jiǎn)渭?xì)胞數(shù)據(jù)零膨脹嚴(yán)重，需用SCTransform或MAST等專門模型。3.8當(dāng)使用五折交叉驗(yàn)證調(diào)參時(shí)，重復(fù)10次五折可減小方差但無法減小偏差。答案：T3.9若兩變量X,Y的互信息I(X;Y)=0，則X與Y獨(dú)立。答案：T3.10在FDA2026年指南中，真實(shí)世界證據(jù)(RWE)用于監(jiān)管決策時(shí)，必須采用預(yù)先注冊(cè)的研究方案。答案：T4.簡(jiǎn)答題（每題10分，共30分）4.1給出高維數(shù)據(jù)下構(gòu)建預(yù)測(cè)模型的完整流程，并說明如何在內(nèi)嵌交叉驗(yàn)證中避免信息泄漏。答案與解析：步驟：①數(shù)據(jù)分割：按7:1:2劃分為訓(xùn)練、調(diào)參、測(cè)試集，分層抽樣保持結(jié)局比例。②缺失處理：僅在訓(xùn)練集構(gòu)建插補(bǔ)模型（MICE或missForest），調(diào)參與測(cè)試集用相同插補(bǔ)規(guī)則。③特征工程：訓(xùn)練集內(nèi)做標(biāo)準(zhǔn)化、PCA、單變量篩選；調(diào)參集僅應(yīng)用訓(xùn)練集得到的參數(shù)。④模型候選：LASSO、彈性網(wǎng)、隨機(jī)森林、XGBoost、LightGBM。⑤內(nèi)嵌交叉：在訓(xùn)練集做重復(fù)五折交叉驗(yàn)證，每折再嵌套特征選擇，避免“先選后訓(xùn)”泄漏。⑥性能評(píng)估：用調(diào)參集選擇最優(yōu)超參，記錄均值與標(biāo)準(zhǔn)誤。⑦最終評(píng)價(jià)：僅在測(cè)試集運(yùn)行一次，報(bào)告AUC、Brier、校準(zhǔn)曲線。⑧穩(wěn)定性：Bootstrap1000次評(píng)估optimism-corrected性能。信息泄漏防控：任何數(shù)據(jù)驅(qū)動(dòng)的變換（標(biāo)準(zhǔn)化、PCA、特征選擇）都必須只在訓(xùn)練折內(nèi)計(jì)算參數(shù)，再應(yīng)用于驗(yàn)證折；嚴(yán)禁使用全局統(tǒng)計(jì)量。4.2解釋“targettrial”框架如何在觀察性研究中模擬隨機(jī)對(duì)照試驗(yàn)，并以評(píng)價(jià)“GLP-1受體激動(dòng)劑是否降低糖尿病患者心衰住院風(fēng)險(xiǎn)”為例，列出關(guān)鍵設(shè)計(jì)要素。答案與解析：Targettrial框架由Hernán提出，用觀察數(shù)據(jù)預(yù)先設(shè)定一個(gè)假想RCT，再按該方案分析。要素：①合格標(biāo)準(zhǔn)：T2DM、年齡≥18歲、基線無心衰、既往無GLP-1使用、隨訪資料完整。②治療策略：起始GLP-1vs二肽基肽酶-4抑制劑(DPP-4)作為對(duì)照，均按臨床指南。③分配：模擬隨機(jī)，用傾向評(píng)分加權(quán)(IPTW)控制混雜。④隨訪起點(diǎn)：首次處方日。⑤結(jié)局：首次心衰住院(ICD-10I50)。⑥隨訪時(shí)間：5年。⑦因果對(duì)比：意向治療(ITT)和按方案(per-protocol)。⑧統(tǒng)計(jì)：加權(quán)Cox模型，穩(wěn)健方差，評(píng)估比例風(fēng)險(xiǎn)，報(bào)告風(fēng)險(xiǎn)比與95%CI。⑨敏感性：E值評(píng)估未測(cè)混雜；陰性對(duì)照結(jié)局驗(yàn)證。該框架通過預(yù)先設(shè)定，使觀察性分析貼近RCT，減少偏倚。4.3說明如何在R語言中實(shí)現(xiàn)基于貝葉斯加性回歸樹(BART)的個(gè)體化治療效應(yīng)估計(jì)，并給出關(guān)鍵代碼片段及結(jié)果解讀。答案與解析：步驟：①安裝庫(kù)：library(BART);library(tidyverse)。②數(shù)據(jù)：n=1000，二分類治療A、連續(xù)結(jié)局Y、協(xié)變量X1-X10。③訓(xùn)練：set.seed(42)post<mbart(X=cbind(A,X1-X10),y=Y,ndpost=1000,nskip=500,keepevery=5)④ITE估計(jì)：Y1<post$yhat.pred[,,2]#A=1Y0<post$yhat.pred[,,1]#A=0ITE<rowMeans(Y1Y0)⑤可視化：ggplot(data.frame(ITE))+geom_density(aes(ITE))+xlab("IndividualTreatmentEffect")⑥評(píng)估：按ITE三分組，觀察實(shí)際A=1與A=0子組的平均結(jié)局差異，計(jì)算uplift曲線。結(jié)果解讀：若ITE分布明顯偏離0，提示存在異質(zhì)性治療效應(yīng)；可進(jìn)一步用決策曲線評(píng)估臨床凈獲益。5.計(jì)算與分析題（25分）5.1研究背景：一項(xiàng)多中心、隨機(jī)、雙盲試驗(yàn)評(píng)估新型降壓藥物N對(duì)24h動(dòng)態(tài)收縮壓(SBP)的影響。主要結(jié)局為從基線到第8周的SBP變化(ΔSBP)，假設(shè)對(duì)照組標(biāo)準(zhǔn)差σ=12mmHg，臨床有意義差異δ=4mmHg，雙側(cè)α=0.05，power=90%，失訪率10%。（1）計(jì)算所需樣本量；（2）若采用序貫設(shè)計(jì)（O’Brien-Fleming，最多3次，信息分?jǐn)?shù)30%、60%、100%），求最大樣本量相對(duì)固定設(shè)計(jì)的膨脹系數(shù)；（3）若最終觀測(cè)到的合并標(biāo)準(zhǔn)差為14mmHg，檢驗(yàn)效能降至多少？（4）若中心數(shù)=20，ICC=0.02，平均clustersize=20，求設(shè)計(jì)效應(yīng)及調(diào)整后樣本量。答案與解析：（1）固定設(shè)計(jì)：n=2×(Z1-α/2+Z1-β)2×σ2/δ2=2×(1.96+1.28)2×122/42=2×10.51×144/16=189.2→190例/組，合計(jì)380例，考慮10%失訪→422例。（2）序貫設(shè)計(jì)：O-F邊界在α=0.05、3次、power=90%時(shí)