中醫(yī)藥統(tǒng)計(jì)學(xué)與軟件模擬試題及答案一、單項(xiàng)選擇題（每題2分，共20分）1.在中醫(yī)藥臨床研究中，若欲比較兩種湯劑對(duì)“氣虛證”患者癥狀積分改善的差異，且數(shù)據(jù)服從正態(tài)分布、方差齊性，首選的假設(shè)檢驗(yàn)方法是A.配對(duì)t檢驗(yàn)B.兩獨(dú)立樣本t檢驗(yàn)C.Mann-WhitneyU檢驗(yàn)D.卡方檢驗(yàn)答案：B解析：癥狀積分改善值為計(jì)量資料，兩組獨(dú)立、正態(tài)、方差齊，故選兩獨(dú)立樣本t檢驗(yàn)。A用于配對(duì)設(shè)計(jì)；C為非參數(shù)；D用于計(jì)數(shù)資料。2.某中醫(yī)院開(kāi)展“三伏貼”療效觀察，記錄患者“發(fā)作次數(shù)”屬罕見(jiàn)事件，且樣本量小、方差遠(yuǎn)大于均數(shù)，宜采用的描述指標(biāo)為A.均數(shù)±標(biāo)準(zhǔn)差B.中位數(shù)（四分位距）C.幾何均數(shù)D.率答案：B解析：罕見(jiàn)事件且分布極度右偏，均數(shù)受極端值影響大，中位數(shù)與四分位距穩(wěn)健。3.用R語(yǔ)言進(jìn)行Logistic回歸分析“是否顯效”與“年齡、性別、舌質(zhì)、脈象”的關(guān)系，下列代碼正確的是A.glm(顯效~年齡+性別+舌質(zhì)+脈象,data=dat,family=gaussian)B.glm(顯效~年齡+性別+舌質(zhì)+脈象,data=dat,family=binomial)C.lm(顯效~.,data=dat)D.gbm(顯效~.,data=dat,distribution="gaussian")答案：B解析：二分類因變量需指定family=binomial，link默認(rèn)logit；A誤用gaussian；C為線性回歸；D為提升法，非基礎(chǔ)Logistic。4.對(duì)“舌象”變量設(shè)“淡紅=1，紅=2，絳=3，紫暗=4”，在統(tǒng)計(jì)模型中直接納入，則A.視為連續(xù)變量，系數(shù)解釋為單位色階變化對(duì)結(jié)局的logORB.需設(shè)置3個(gè)啞變量，以“淡紅”為參照C.可視為等級(jí)變量，用1個(gè)線性項(xiàng)即可D.必須刪除，避免多重共線答案：B解析：舌象為無(wú)序多分類，需啞變量化；若視為連續(xù)則強(qiáng)行等距，不合理；C僅當(dāng)確證等級(jí)且效應(yīng)線性時(shí)可用。5.在交叉設(shè)計(jì)試驗(yàn)中，若存在顯著的順序效應(yīng)（sequenceeffect），則A.可直接忽略，因處理效應(yīng)已平衡B.應(yīng)在混合效應(yīng)模型中加入順序項(xiàng)與處理×順序交互項(xiàng)C.僅說(shuō)明隨機(jī)化失敗，應(yīng)重做試驗(yàn)D.采用配對(duì)t檢驗(yàn)即可消除答案：B解析：順序效應(yīng)提示不同給藥順序?qū)Y(jié)局有影響，需在統(tǒng)計(jì)模型中控制，否則處理效應(yīng)估計(jì)偏倚。6.用Python的statsmodels庫(kù)擬合Poisson回歸出現(xiàn)“過(guò)度離散”，首選的修正命令為A.smf.glm("發(fā)作次數(shù)~療法",data=df,family=sm.families.Poisson()).fit()B.smf.glm("發(fā)作次數(shù)~療法",data=df,family=sm.families.NegativeBinomial()).fit()C.smf.ols("發(fā)作次數(shù)~療法",data=df).fit()D.smf.logit("發(fā)作次數(shù)~療法",data=df).fit()答案：B解析：負(fù)二項(xiàng)回歸通過(guò)引入隨機(jī)效應(yīng)處理過(guò)度離散；A未修正；C為線性；D為二分類。7.對(duì)“脈象”進(jìn)行主成分分析（PCA），若前三個(gè)主成分累計(jì)貢獻(xiàn)率為82%，則A.可直接用三維散點(diǎn)圖代替原8維脈象指標(biāo)B.說(shuō)明信息損失18%，不可接受C.必須保留全部8維，否則辨證不準(zhǔn)D.貢獻(xiàn)率過(guò)低，應(yīng)改用因子分析答案：A解析：82%已能反映大部分變異，可用于降維可視化；信息損失是否可接受取決于臨床解釋力。8.在Meta分析中，評(píng)估發(fā)表偏倚最常用A.Egger回歸B.Q檢驗(yàn)C.I2統(tǒng)計(jì)量D.Peto法答案：A解析：Egger回歸通過(guò)回歸截距檢驗(yàn)小樣本效應(yīng)；B、C為異質(zhì)性；D為效應(yīng)合并方法。9.若隨機(jī)對(duì)照試驗(yàn)的“隨機(jī)化”采用“中心分層、區(qū)組隨機(jī)”，則統(tǒng)計(jì)推斷時(shí)應(yīng)A.忽略分層，因隨機(jī)化已保證平衡B.在線性模型中加入“中心”作為固定效應(yīng)C.僅用Fisher精確檢驗(yàn)D.必須采用貝葉斯方法答案：B解析：分層因素可能關(guān)聯(lián)結(jié)局，納入模型可提高精度、減少偏倚。10.用SPSS進(jìn)行重復(fù)測(cè)量方差分析，若Mauchly球形檢驗(yàn)p<0.05，應(yīng)A.直接報(bào)告未校正結(jié)果B.采用Greenhouse-Geisser或Huynh-Feldt校正C.改用多水平模型D.刪除異常點(diǎn)答案：B解析：球形假設(shè)不滿足時(shí)，需用ε校正自由度，控制Ⅰ型錯(cuò)誤。二、多項(xiàng)選擇題（每題3分，共15分）11.下列哪些方法可用于處理中醫(yī)藥數(shù)據(jù)中的“高維小樣本”問(wèn)題A.LASSO回歸B.彈性網(wǎng)C.偏最小二乘判別分析（PLS-DA）D.支持向量機(jī)遞歸特征消除（SVM-RFE）E.單因素t檢驗(yàn)篩選答案：ABCD解析：高維小樣本易過(guò)擬合，LASSO、彈性網(wǎng)、PLS-DA、SVM-RFE均可降維或正則化；E未考慮多重比較及變量間相關(guān)，易失真。12.關(guān)于“中醫(yī)證候療效評(píng)價(jià)量表”的信度指標(biāo)，正確的有A.Cronbachα>0.7表示內(nèi)部一致性良好B.重測(cè)信度ICC<0.4說(shuō)明穩(wěn)定性差C.分半信度Spearman-Brown系數(shù)越接近1越好D.Kappa值可用于評(píng)定評(píng)定者間信度E.信度高一定意味著效度高答案：ABCD解析：E錯(cuò)誤，信度僅反映一致性，效度關(guān)注是否測(cè)到真實(shí)特征，二者不必然同步。13.在R語(yǔ)言中，進(jìn)行傾向性評(píng)分匹配（PSM）時(shí)，下列包與函數(shù)對(duì)應(yīng)正確的有A.MatchIt::matchit()B.twang::ps()C.Matching::Match()D.optmatch::pairmatch()E.tableone::CreateTableOne()答案：ABCD解析：E用于基線描述，非匹配算法本身。14.下列哪些情況適合采用非參數(shù)檢驗(yàn)A.樣本量小且嚴(yán)重偏離正態(tài)B.數(shù)據(jù)存在大量截尾值（如>50%）C.等級(jí)資料D.方差懸殊且無(wú)法轉(zhuǎn)換E.已知總體服從正態(tài)，樣本量>100答案：ABCD解析：E大樣本時(shí)中心極限定理保證均數(shù)近似正態(tài)，可用參數(shù)檢驗(yàn)。15.對(duì)“中藥復(fù)方網(wǎng)絡(luò)藥理學(xué)”數(shù)據(jù)，下列網(wǎng)絡(luò)指標(biāo)可量化“關(guān)鍵靶點(diǎn)”的有A.度中心性（Degree）B.接近中心性（Closeness）C.特征向量中心性（Eigenvector）D.邊介數(shù)（Betweenness）E.網(wǎng)絡(luò)直徑（Diameter）答案：ABCD解析：E描述網(wǎng)絡(luò)整體規(guī)模，不針對(duì)節(jié)點(diǎn)重要性。三、判斷題（每題1分，共10分）16.中醫(yī)藥數(shù)據(jù)若出現(xiàn)“0”值過(guò)多，可直接加1后取對(duì)數(shù)轉(zhuǎn)換。答案：錯(cuò)解析：加1后log僅能緩解，不能解決過(guò)量零問(wèn)題，應(yīng)考零膨脹模型（ZIP、ZINB）。17.在多重比較中，Bonferroni法比FDR法更容易出現(xiàn)Ⅱ型錯(cuò)誤。答案：對(duì)解析：Bonferroni控制族錯(cuò)誤率更嚴(yán)格，檢驗(yàn)效能下降。18.對(duì)同一數(shù)據(jù)先做單因素篩選p<0.05的變量，再做多因素回歸，可有效避免過(guò)擬合。答案：錯(cuò)解析：兩步法仍過(guò)擬合，標(biāo)準(zhǔn)誤縮小，置信區(qū)間偏窄，應(yīng)使用正則化或預(yù)先設(shè)定模型。19.若Logistic回歸的ROC曲線下面積AUC=0.5，說(shuō)明模型無(wú)判別力。答案：對(duì)解析：AUC=0.5等價(jià)于隨機(jī)分類。20.在生存分析中，若Kaplan-Meier曲線交叉，說(shuō)明PH假設(shè)成立。答案：錯(cuò)解析：曲線交叉提示風(fēng)險(xiǎn)比非恒定，PH假設(shè)可能不成立，應(yīng)考時(shí)依Cox或分段模型。21.對(duì)“舌苔厚度”采用超聲影像自動(dòng)識(shí)別，連續(xù)測(cè)量3次取平均，可減少隨機(jī)測(cè)量誤差。答案：對(duì)解析：重復(fù)測(cè)量平均可降低隨機(jī)誤差，提高精度。22.隨機(jī)效應(yīng)Meta分析中，τ2=0表示研究間無(wú)異質(zhì)性。答案：對(duì)解析：τ2為異質(zhì)性方差，0即所有差異由抽樣誤差解釋。23.在Python中，pandas.DataFrame的缺失值可以用df.fillna(df.mean())填補(bǔ)，對(duì)分類變量同樣適用。答案：錯(cuò)解析：分類變量均值無(wú)意義，應(yīng)使用眾數(shù)或單獨(dú)類別填補(bǔ)。24.若某中藥成分濃度與毒性呈“U”型關(guān)系，線性模型系數(shù)顯著，可放心報(bào)告線性關(guān)聯(lián)。答案：錯(cuò)解析：U型關(guān)系需引入二次項(xiàng)，僅線性項(xiàng)顯著不代表真實(shí)關(guān)聯(lián)。25.對(duì)同一批“脈圖”數(shù)據(jù)，小波變換去噪后再提取特征，可提高后續(xù)分類模型穩(wěn)健性。答案：對(duì)解析：小波去噪保留關(guān)鍵波形，抑制高頻噪聲，提升信噪比。四、填空題（每空2分，共20分）26.在R語(yǔ)言中，使用______包中的______函數(shù)可一次性輸出Logistic回歸的OR值及95%CI。答案：epiDisplay，logistic.display27.若某RCT的主要結(jié)局為“治療3個(gè)月后‘證候積分’下降≥50%”，則該指標(biāo)屬于______變量（填變量類型）。答案：二分類28.對(duì)“針灸得氣”量表進(jìn)行探索性因子分析，KMO=0.85，Bartlett球形檢驗(yàn)p<0.001，說(shuō)明______。答案：數(shù)據(jù)適合進(jìn)行因子分析29.在Python中，使用sklearn.preprocessing的______類可將“舌質(zhì)”多分類變量轉(zhuǎn)換為啞變量，并避免虛擬變量陷阱。答案：OneHotEncoder，drop='first'30.若Cox回歸中某處理變量HR=0.65（95%CI：0.48–0.88），則該處理使風(fēng)險(xiǎn)下降約______%。答案：35解析：(1?0.65)×100%=35%。31.對(duì)“中藥提取物抑癌實(shí)驗(yàn)”進(jìn)行樣本量估算，已知對(duì)照組平均瘤重3.2g，期望新藥降低1g，合并標(biāo)準(zhǔn)差1.5g，雙側(cè)α=0.05，power=0.9，用兩樣本t檢驗(yàn)估算，每組需______只小鼠。答案：48解析：通過(guò)公式或軟件計(jì)算，n=2×[(Z_{1?α/2}+Z_{1?β})×σ/δ]2≈47.6，向上取整48。32.在R中，使用______函數(shù)可將數(shù)據(jù)框dat按“證型”分層隨機(jī)抽樣，使訓(xùn)練集與測(cè)試集各證型比例一致。答案：caret::createDataPartition33.若“中藥指紋圖譜”相似度評(píng)價(jià)采用向量夾角余弦，余弦值=0.98，說(shuō)明兩份圖譜______。答案：高度相似34.對(duì)“穴位貼敷”不良反應(yīng)進(jìn)行信號(hào)檢測(cè)，首選的disproportionality方法為_(kāi)_____。答案：報(bào)告比值比（ROR）或比例報(bào)告比（PRR）35.在Meta分析森林圖中，菱形中心點(diǎn)位于無(wú)效線左側(cè)且不與無(wú)效線相交，提示合并效應(yīng)______。答案：具有統(tǒng)計(jì)學(xué)顯著性五、簡(jiǎn)答題（每題10分，共30分）36.某中醫(yī)院開(kāi)展“加味四君子湯治療脾虛證”RCT，主要結(jié)局為“證候積分”變化，基線積分非正態(tài)，治療4周后積分差值近似正態(tài)但方差不齊。請(qǐng)給出完整分析思路，包括數(shù)據(jù)清洗、統(tǒng)計(jì)描述、假設(shè)檢驗(yàn)、敏感性分析，并寫(xiě)出關(guān)鍵R代碼片段。答案與解析：（1）數(shù)據(jù)清洗：①用dplyr::filter剔除未完成試驗(yàn)且缺失>20%變量者；②對(duì)缺失值采用多重填補(bǔ)（mice包mice()），設(shè)置m=5，method="pmm"；③離群值用箱式圖標(biāo)記，若超出1.5×IQR，臨床核實(shí)后決定保留或縮尾。（2）統(tǒng)計(jì)描述：基線積分用M(P25,P75)描述；差值用mean±SD；繪制差值直方圖+QQ圖驗(yàn)證近似正態(tài)。（3）假設(shè)檢驗(yàn)：①方差不齊，采用Welch校正t檢驗(yàn)：t.test(差值~分組,data=dat,var.equal=FALSE)②非參數(shù)校驗(yàn)：Wilcoxon秩和檢驗(yàn)作為敏感性分析。（3）效應(yīng)量：計(jì)算Cohen’sd及95%CI，用effsize包c(diǎn)ohen.d()。（4）敏感性分析：①符合方案集（PP）與意向性分析（ITT）對(duì)比；②對(duì)基線不均衡變量（如年齡）作協(xié)變量調(diào)整，用ANCOVA：lm(治療后積分~分組+基線積分+年齡,data=dat)③置換檢驗(yàn)（coin包）驗(yàn)證穩(wěn)健性。（5）結(jié)果報(bào)告：按CONSORT流程圖列出；顯著性水平α=0.05；提供差值adjustedmean及95%CI。37.試述如何利用Python構(gòu)建“中藥-成分-靶點(diǎn)-疾病”多層網(wǎng)絡(luò)，并識(shí)別潛在關(guān)鍵靶點(diǎn)，給出主要庫(kù)、步驟及核心代碼。答案與解析：（1）庫(kù)導(dǎo)入：importpandasaspd,numpyasnpimportnetworkxasnxfromcollectionsimportdefaultdictimportmatplotlib.pyplotasplt（2）數(shù)據(jù)準(zhǔn)備：①中藥-成分：TCMSP數(shù)據(jù)庫(kù)導(dǎo)出OB≥30%、DL≥0.18；②成分-靶點(diǎn)：SwissTargetPrediction；③靶點(diǎn)-疾?。篋isGeNET，篩選score>0.1。（3）構(gòu)建多層圖：G=nx.MultiGraph()G.add_nodes_from(herb_list,bipartite=0)G.add_nodes_from(comp_list,bipartite=1)G.add_nodes_from(target_list,bipartite=2)G.add_nodes_from(disease_list,bipartite=3)forh,cinherb_comp_edges:G.add_edge(h,c,layer='herb-comp')forc,tincomp_tar_edges:G.add_edge(c,t,layer='comp-tar')fort,dintar_dis_edges:G.add_edge(t,d,layer='tar-dis')（4）關(guān)鍵靶點(diǎn)識(shí)別：①度中心性：deg=nx.degree(G,nbunch=target_list)②邊介數(shù)：bet=nx.betweenness_centrality(G,k=1000)③子圖提取“comp-tar-dis”投影：proj=jected_graph(G,target_list)pr=nx.pagerank(proj)④綜合評(píng)分：score={n:0.4deg[n]+0.3bet[n]+0.3*pr[n]fornintarget_list}top_targets=sorted(score,key=score.get,reverse=True)[:20]（5）可視化：plt.figure(figsize=(12,12))pos=nx.spring_layout(proj,k=0.3)nx.draw_networkx_nodes(proj,pos,nodelist=top_targets,node_color='r',alpha=0.7)nx.draw_networkx_labels(proj,pos,labels={n:nfornintop_targets},font_size=8)plt.axis('off');plt.show()（6）驗(yàn)證：對(duì)top_targets進(jìn)行GO/KEGG富集，看是否與疾病通路一致；用Cytoscape美化導(dǎo)出。38.某研究收集“脈象儀”采集的寸關(guān)尺三部脈搏波，每部采樣頻率500Hz，時(shí)長(zhǎng)30s，共15000點(diǎn)。欲建立“脈弦與否”的機(jī)器學(xué)習(xí)分類模型，請(qǐng)給出完整技術(shù)路線，含信號(hào)預(yù)處理、特征工程、模型選擇、超參數(shù)優(yōu)化、性能評(píng)估，并說(shuō)明如何解決類別不平衡。答案與解析：（1）信號(hào)預(yù)處理：①去基線漂移：高通濾波0.5Hz；②去噪：Daubechies6小波軟閾值；③周期分割：用峰值檢測(cè)找主波，取完整周期≥30個(gè)，不足者補(bǔ)零或剔除；④歸一化：將幅值縮放到[0,1]，消除個(gè)體振幅差異。（2）特征工程：①時(shí)域：收縮期峰值、舒張期谷值、重搏波高度、脈率、K值（硬度指數(shù)）；②頻域：FFT提取前10次諧波幅值；③非線性：近似熵ApEn、樣本熵SampEn、Lempel-Ziv復(fù)雜度；④時(shí)頻：連續(xù)小波變換能量比（E_{scale}/E_{total}）分5頻段；⑤特征選擇：Boruta-SHAP混合篩選，保留重要性>0.5%者。（3）類別不平衡：①收集階段：增加弦脈樣本；②算法：SMOTE過(guò)采樣+TomekLinks清洗；③模型：采用class_weight='balanced'；④評(píng)價(jià)：關(guān)注F1、AUC、PR曲線，避免僅用準(zhǔn)確率。（4）模型選擇：①基線：Logistic回歸；②樹(shù)模型：RandomForest、XGBoost；③深度學(xué)習(xí)：1D-CNN+BiLSTM；④集成：Stacking（RF+XGB+CNN）+Logistic元模型。（5）超參數(shù)優(yōu)化：Optuna框架，貝葉斯搜索，10折分層交叉驗(yàn)證，優(yōu)化目標(biāo)=最大化AUC，迭代200次。（6）性能評(píng)估：①外部驗(yàn)證：獨(dú)立醫(yī)院采集120例；②解釋：SHAPsummary查看全局特征貢獻(xiàn)；③校準(zhǔn)：PlattScaling校正概率；④臨床決策曲線（DCA）評(píng)估凈收益。（7）代碼片段（RandomForest示例）：fromimblearn.pipelineimportPipelinefromimblearn.over_samplingimportSMOTEfromsklearn.ensembleimportRandomForestClassifierfromsklearn.metricsimportroc_auc_score,classification_reportpipe=Pipeline([('smote',SMOTE(k_neighbors=5)),('clf',RandomForestClassifier(n_estimators=1000,max_depth=None,class_weight='balanced',random_state=42))])param={'clf__max_depth':[10,20,None],'clf__min_samples_split':[2,5]}grid=GridSearchCV(pipe,param,cv=StratifiedKFold(10),scoring='roc_auc')grid.fit(X_train,y_train)print(grid.best_score_,classification_report(y_test,grid.predict(X_test)))六、綜合應(yīng)用題（25分）39.研究背景：為評(píng)價(jià)“清熱解毒方”聯(lián)合常規(guī)西藥治療急性扁桃體炎（中醫(yī)辨證“風(fēng)熱犯咽”）的有效性與安全性，某中心開(kāi)展實(shí)用型整群隨機(jī)對(duì)照試驗(yàn)。共納入24個(gè)班級(jí)（群），隨機(jī)12班接受聯(lián)合治療（干預(yù)組），12班僅常規(guī)西藥（對(duì)照組）。主要結(jié)局：①咽痛VAS評(píng)分（0–10）隨時(shí)間變化；②退熱時(shí)間（生存數(shù)據(jù)）。次要結(jié)局：③中醫(yī)證候積分；④不良反應(yīng)率。數(shù)據(jù)特點(diǎn)：班級(jí)內(nèi)學(xué)生相關(guān)（ICC≈0.08），重復(fù)測(cè)量5次（0h、6h、12h、24h、48h），部分學(xué)生缺失一次測(cè)量，退熱時(shí)間存在右刪失。問(wèn)題：（1）請(qǐng)寫(xiě)出分析咽痛VAS縱向數(shù)據(jù)的多水平線性混合效應(yīng)模型方程（含固定效應(yīng)、隨機(jī)效應(yīng)、協(xié)方差結(jié)構(gòu)），并給出R（lme4或nlme）與Python（statsmodels或linearmodels）兩套代碼。（8分）（2）退熱時(shí)間擬采用Cox脆弱模型（frailtymodel）以校正群相關(guān)，寫(xiě)出R（survival包）與Python（lifelines）核心代碼，并解釋脆弱分布選擇gamma的理由。（5分）（3）為控制基線不均衡，擬進(jìn)行傾向性評(píng)分加權(quán)（IPTW），請(qǐng)給出構(gòu)建PS模型、計(jì)算權(quán)重、診斷平衡性、加權(quán)后分析咽痛AUC_{0–48h}的完整R代碼，并用cobalt包繪圖。（7分）（4）若欲進(jìn)行多重比較校正，請(qǐng)比較Bonferroni、Holm、FDR三種策略對(duì)次要結(jié)局檢驗(yàn)效能的影響，并給出模擬結(jié)果（附代碼與圖）。（5分）答案與解析：（1）模型方程：VAS_{ijt}=β_0+β_1Group_i+β_2Time_t+β_3Group_i×Time_t+β_4Age_{ij}+β_5Sex_{ij}+β_6BaseVAS_{ij}+u_{0i}+u_{1i}Time_t+ε_(tái){ijt}其中u_i~N(0,Ψ)，ε_(tái){ijt}~N(0,σ2I)；Ψ為2×2非結(jié)構(gòu)化矩陣。R代碼（nlme）：library(nlme)fit.lme<lme(VAS~Group*Time+Age+Sex+BaseVAS,random=~Time|ClassID,correlation=corAR1(form=~Time|ClassID),data=df,method="REML")Python代碼（statsmodels）：importstatsmodels.apiassmimportstatsmodels.formula.apiassmfvc={"ClassID":"0+Time"}fit=smf.mixedlm("VAS~Group*Time+Age+Sex+BaseVAS",data=df,groups=df["ClassID"],vc_formula=vc,use_reml=True).fit()（2）Cox脆弱模型：R：library(survival)fit.cox<coxph(Surv(time,event)~Group+Age+Sex+BaseTemp+frailty(ClassID,distribution="gamma"),data=df)Python：fromlifelinesimportCoxPHFitterfromlifelines.datasetsimportload_rossicph=CoxPHFitter(penalizer=0.1,l1_ratio=0)cph.fit(df,duration_col='time',event_col='event',strata=['Clas