analyze-stats

统计分析技能

为医学研究分析生成可复现的代码（优先使用 Python，必要时使用 R）， 运行代码，并根据输出制作可用于发表的表格和图表。

数据隐私检查

读取任何数据文件前，检查其中是否可能包含受保护健康信息（PHI）：

1. 如果工作目录中存在 *_deidentified.* 文件，请使用这些文件。
2. 如果只有原始 CSV/Excel 文件，请询问用户数据是否包含患者身份标识信息 （姓名、国民身份证号 / RRN、联系方式）；如果包含，请先让用户使用 /deidentify 对数据进行去标识化。
3. 用户确认数据已去标识化或不含 PHI 后，再继续。
4. 绝不在输出中显示原始 PHI 值（姓名、电话号码、RRN），因为控制台 输出会被复制到记录和草稿中。如果遇到此类信息，请提醒用户并建议使用 /deidentify。

参考文件

• ${CLAUDE_SKILL_DIR}/references/templates/ — 可复用的分析脚本；生成代码前，请先阅读匹配的模板。
• ${CLAUDE_SKILL_DIR}/references/analysis_guides/ — 方法指南；Phase 2 表格会说明需要阅读哪些指南。
• ${CLAUDE_SKILL_DIR}/references/table-standards/ — table-standards.md（通用和 AMA 规则、脚注顺序、gtsummary 工作流）、journal-profiles/（各期刊的 YAML 文件：radiology、jama、nejm、lancet、european_radiology、ajr）、table-types/（每种表格类型各有一个模板）、tool-comparison.md（R/Python 表格工具）。
• ${CLAUDE_SKILL_DIR}/references/style/figure_style.mplstyle — 图表样式。

工作流

阶段 1：数据评估

1. 读取数据文件（CSV、Excel、TSV 或其他表格格式）。
2. 向用户报告：数据形状（行数 × 列数）；列名及推断出的类型（连续型、 分类型、有序型、二元型、日期时间型）；每列的缺失值（数量和百分比）； 前 5 行；分类列的唯一值计数。
3. 确定分析单位：患者、检查、病灶、图像、评估者、研究等。
4. 如果不确定变量名称或编码，请写入 [VERIFY: variable_name]，并请用户根据 数据字典确认；切勿猜测列名或编码。

第 2 阶段：分析计划

观察性研究设计（队列、病例对照、横断面、登记、调查）：在制定计划前，查找来自 /define-variables 的 variable_operationalization.md（或由代码本支持的等效定义表）。如果不存在，应提醒用户并建议先运行 /define-variables，因为根据数据字典临时编造暴露、结局、协变量定义和截点，是审稿人拒绝观察性研究的常见原因。这是提醒，不是阻止：在用户明确确认后继续，并记录该文件不可用。

提出分析计划；由用户决定研究问题和终点。对于你无法确认的任何临床定义、截点、诊断标准或指南声明，标记为 [VERIFY]。

1. 检测分析类型：根据“特定分析指南”中的表格检测，或接受用户指定的类型。

2. 列出要进行的具体检验。

3. 确定主要和次要终点。

4. 说明将检查的假设（正态性、方差齐性、独立性）。

5. 指出所需的数据清理（重新编码、异常值处理、缺失数据策略）。

6. 使估计目标与研究问题相匹配。

   • 交互作用、协同作用或效应修饰：主要估计目标是交互作用参数本身（对交互项进行似然比检验，或在明确指定的尺度上报告交互作用 OR/HR），而不是根据其置信区间将主效应 OR 解读为“无协同作用”。公共卫生或生物学上的协同作用应采用加法尺度：报告 RERI、AP 或 S，并为每项提供置信区间（R interactionR / epiR；Knol 和 VanderWeele 的报告规范），而不能只报告乘法积项，因为乘法交互作用不显著可能与很大的加法交互作用并存（反之亦然）。联合类别（高/高对比低/低）显示的是联合关联，而非交互作用；根据分别估计的分层结果声称“A 中的效应强于 B”属于显著性差异谬误——应报告正式的交互项。
   • 等效性或非劣效性：应预先声明界值（采用 TOST 程序，或将置信区间与预先声明的 MCID 进行比较）；没有界值时，差异不显著并不代表等效。

7. 在拟合任何模型前，筛查每个分类/二元预测变量是否存在分离。 完美预测结局的预测变量没有有限的 MLE，而且这种失败不会显式报错：glm 会返回接近 0（或极大）的优势比、p ≈ 0.99，以及最终出现在表格中的 AUC。特征性影像征象（T2-FLAIR mismatch、string sign、halo sign）经常导致这种情况：100% 的特异度意味着必然存在空单元格。

   python3 "${CLAUDE_SKILL_DIR}/scripts/check_separation.py" \
     --data cohort.csv --outcome idh_mutant --auto --strict
   

   COMPLETE_SEPARATION（空单元格）和 QUASI_SEPARATION（单元格低于稀疏度下限）都会中止计划。存在两个或更多预测变量时，脚本还会联合检验它们（即使没有任何单个预测变量能分离结局，线性组合也可能做到）；该检验需要 scipy，如果没有 scipy，报告会注明未运行联合检查。补救措施是在计划中做出的设计决策：Firth 惩罚似然可保留单一模型；而两阶段规则——直接判定征象阳性病例，仅对征象阴性的剩余病例建模——通常是针对特征性征象在临床上更有意义的选择，因为征象阳性患者已经得到诊断。

提交计划，并在执行前等待用户批准。

第 3 阶段：执行

生成并运行 Python（优先）或 R 脚本。你报告的每个数值都必须来自脚本的实际执行输出，绝不能估算或手动输入，因为脚本无法复现的数值就无法验证。

脚本结构

每个脚本都应以可复现性标头开头：

"""
Analysis: {description}
Date: {YYYY-MM-DD}
Random seed: 42
Python: {version}
Key packages: {package==version, ...}
"""
import numpy as np
import pandas as pd
np.random.seed(42)

执行规则

1. 随机种子：始终使用 np.random.seed(42) 或 set.seed(42)。
2. 图形样式：始终加载 matplotlib 样式文件：

   import matplotlib.pyplot as plt
   style_path = os.path.join(os.environ.get('CLAUDE_SKILL_DIR', '.'), 'references/style/figure_style.mplstyle')
   if os.path.exists(style_path):
       plt.style.use(style_path)
   

3. 输出文件：保存到输入数据所在目录，或用户指定的输出目录。
4. 表格：保存为 CSV，并打印 Markdown 版本（见输出约定）；图形保存为 PDF（矢量）和 PNG（300 DPI）。
5. 控制台输出：提供摘要，涵盖正文中会出现的每个数值，格式便于直接复制粘贴到结果部分。

假设检验

根据研究设计和分布选择摘要统计量与检验，而非根据初步检验选择：

• 分布形状：使用 QQ 图／直方图和偏度；对于表 1，若 |skewness| > 1，则使用中位数（IQR）和秩检验；否则使用均值（SD）（table-types/table1_demographics.md）。切勿根据 Shapiro-Wilk 或 KS 的 P 值来决定：样本量大时，它会标记无关紧要的偏离；样本量小时，它会漏掉真实偏离；先检验再选择检验还会增加 I 类错误率（Rochon et al. 2012）。
• 方差不齐：默认使用 Welch's t 检验／Welch ANOVA，而不是以 Levene 检验作为门槛；Mann-Whitney 检验针对的是不同假设，也不能解决方差不齐问题。请在方法部分说明选择及理由。

分层与有序趋势报告

• 分层互斥性门槛（在进行任何有序趋势检验之前）。在进行 Cochran-Armitage 趋势检验（或任何将层级视为有序划分的分析）之前，断言各层互斥且穷尽总体：sum(n per stratum) == unique N 且 sum(events per stratum) == total events。对存在重叠或未穷尽总体的分层进行趋势检验无效。打印各层 N／事件数表及核对结果（即 /self-review check_cohort_arithmetic.py PARTITION_OVERLAP 在分析端的对应检查）。
• 次要分层 HR/OR：每项均须报告：(a) 参照对比（参照类别）；(b) 各层的事件数；(c) 任一层事件数较少时（< 10 即不稳定）的稀疏分层注意事项。若未说明参照类别和事件数，仅报告“瘦型参与者中 HR 1.55”则无法解读。
• 比例 CI 下限截断：将每个下限截断为 max(0, lower)。零事件的 Wilson／score 区间可能给出负数或极小的指数形式下限（例如 3.47e-16），这属于显示伪影；应报告 0（或 0.0%），对于零值或接近零值的单元格，优先使用精确（Clopper-Pearson）区间。

输出清单

所有分析完成后，按照 references/analysis_run_workflow.md 中规定的格式，在输出目录中保存 _analysis_outputs.md，以便 /make-figures 和 /write-paper 无需询问即可找到输出文件。

对于独立单位上的预先指定二元预测，请使用该文件中打包的 scripts/run_analysis.py run 工作流：它会在同一份清单中嵌入数据／配置／代码／输出哈希、精确计数、各指标的分母以及复现命令（audit 会检查记录的版本而不重写它们；compare 会将声明的上下文与数值相等性和字节差异区分开来）。它不会选择阈值，也不会确定研究有效性、隐私许可或再利用权利。合成示例： python3 ${CLAUDE_SKILL_DIR}/scripts/demo_analysis_run.py --out demo-project

阶段 3.5：生成代码质量门槛

在将任何脚本报告为最终版本前，请对每个生成的 .py/.R 文件进行 lint：

python3 ${CLAUDE_SKILL_DIR}/scripts/check_generated_code.py {script.py} --strict
# or scan a whole output directory:
python3 ${CLAUDE_SKILL_DIR}/scripts/check_generated_code.py --code-dir {analysis_dir} --strict

在报告脚本前修复所有 Major：MISSING_SEED（随机操作未设置种子）、 HARDCODED_DATA_LITERAL（手动输入的表格形数据，而非使用 read_csv()/read.csv() + 子集筛选）、 HARDCODED_ABS_PATH（不可移植且存在 PII 风险）以及 INPLACE_SOURCE_OVERWRITE（写入作为输入读取的路径——绝不修改原始数据；应将派生输出写入新 路径）。整理代码时修复 DEBUG_LEFTOVER 和 UNUSED_IMPORT 标记。 次要问题，仅限 Python：API_DEFAULT_STUDENT_T（不指定 equal_var 的 scipy ttest_ind 使用 Student t 检验；请注明使用 Welch 检验或说明采用 Student 检验的理由）以及 API_DEFAULT_PENALIZED_OR（文件中对 coef_ 求指数时，LogisticRegression 未设置 penalty、C、l1_ratio 中的任何一项）。R 的 t.test() 默认使用 Welch 检验。

阶段 4：报告

执行后，根据脚本输出生成可直接用于稿件的文本：

1. 结果段落：3-8 句话，包含具体数字，格式如下：
   • 连续变量：“均值 +/- 标准差”或“中位数（IQR）”
   • 比例：“n/N（XX.X%）”
   • 检验结果：“统计量 = X.XX，p = 0.XXX”
   • 效应量：“Cohen's d = X.XX（95% CI：X.XX-X.XX）”
   • AUC：“AUC = 0.XXX（95% CI：0.XXX-0.XXX）”
2. 表格/图注：起草图注，并注明表格/图片编号。
3. 方法片段：用 2-3 句话描述统计方法，供 Methods 部分使用。仅引用经 /search-lit 确认 DOI/PMID 的文献；其他文献请标记为 [UNVERIFIED - NEEDS MANUAL CHECK]。

报告统计结果；临床意义的判断留给用户。对于本技能不涵盖的设计（自适应或贝叶斯试验、复杂多层模型或因果中介模型），请说明这一点，并建议在报告结果前请生物统计学家审查。

统计报告规则（始终执行）

1. 精确 p 值：报告精确数值（例如，p = 0.034），不要使用不等式；低于 0.001 时，报告 p < 0.001。
2. 置信区间：主要终点始终报告 95% CI。
3. 效应量：每个 p 值都要同时报告一个效应量（如适用，可报告 Cohen's d、eta-squared、优势比、风险比等）。
4. 多重比较：对同一数据集进行 3 项或更多检验时，应用 Bonferroni 或 Benjamini-Hochberg 校正，说明所用方法，并同时报告未校正和校正后的 p 值。
5. 样本量：说明每个组/分析的 n。
6. 缺失数据：报告排除了多少个病例以及排除原因。
7. 小数位数：p 值保留 3 位小数，比例保留 1 位小数，均值/SD 按测量精度报告。
8. 设计/效能统计必须来自代码输出，不得手工计算。 稿件中出现的任何最小可检测效应（MDE）、先验效能或所需样本量，都必须由已提交的脚本打印，并同时注明方法和输入值（每组 n、alpha、效能、分配比例、单侧/双侧）；不得使用辅助工具（G*Power、在线计算器）计算后粘贴，因为脚本无法复现的稿件数值就无法核验。全过程使用同一类方法（例如，通过 statsmodels 的 TTestIndPower 计算精确非中心 t 分布，或使用 scipy 的 nct）；不要对部分数值使用正态近似、对其他数值使用精确 t 分布。不要报告事后（观察到的）效能：它是 P 值的函数，并无额外价值（Hoenig & Heisey 2001）；应报告效应的 CI。
9. 估计目标与 CI 输出约定。 每个主要点估计——包括分位数估计目标（T25、事件发生时间中位数）、合并比例和亚分布 HR，而不仅仅是 OR/HR/AUC——都必须附带其 95% CI，因为 /self-review 会将缺少 CI 的主要指标视为缺陷。输出 CSV 中应将区间设为显式列（estimate, ci_lower, ci_upper），或以 est (lo–hi) 格式放在一个文本列中；绝不能只提供点估计而不附带区间。OR/HR/sHR 保留 2 位小数，AUC/C 统计量保留 3 位小数。

效应量的现实场景解读

只要主要结果是相关系数、标准化系数、回归斜率、OR/HR/RR 或 Cohen's d，就要在报告效应量（规则 3）的同时，将其转化为非统计学专业人士可以据此采取行动的通俗单位变化，而不是用它取代效应量。这适用于连续暴露—结局关联（Spearman's rho、Pearson's r、标准化斜率）、需要了解绝对风险的受众所关注的相对指标，以及读者研究或专家引导研究、临床效用框架、摘要和图注。

1. 选择暴露变量上的锚定对比，而不是变化 1 个单位。默认采用第 25 百分位数到第 75 百分位数（IQR），两个端点均使用原始单位。
2. 转换为结局量表上的变化。
   • 斜率 b 使用原始单位时：delta_outcome = b * (x_p75 - x_p25)。保留正负号：b 为负表示下降。
   • 每 SD 斜率（暴露变量已标准化）：delta_outcome = beta * (x_p75 - x_p25) / SD_x；完全标准化的 beta 还要乘以 SD_outcome。
   • 相关系数不是斜率。Pearson r 可转换为同一数据的简单回归斜率（b = r * SD_outcome / SD_x），只有在关系呈线性时，该斜率才表示每单位的平均变化；Spearman's rho 不能转换为结局单位上的变化。应拟合结局对暴露变量的回归模型，并转换该斜率（若使用 Spearman 是因为存在离群值，则采用 Theil-Sen 斜率）；对于单调但呈曲线的关联，则报告 x_p25 和 x_p75 对应的拟合结局值。
   • 报告格式：「从 {x_p25} 变为 {x_p75} {units}，平均而言与约 {delta_outcome} {outcome units} 的变化相关」，并说明其背后的线性假设。
3. 限定结论的范围：报告对比、假设和系数的 CI；不要根据粗略或未经调整的估计暗示因果关系。

输出要求（临床效用为默认要求，而非可选附加项）：

• OR/HR/RR 为主要结局 → 报告相对指标以及指定基线下的绝对风险、绝对风险差和 NNT = 1/ARR（或 NNH = 1/ARI），并明确说明基线风险。只报告相对指标的标题并不完整。
• 连续结局 → 在效应量下方添加 IQR／临床锚定的「现实场景解读」内容。
• 预测／分类（包括医疗 AI）模型 → 除区分度外，还要报告校准情况（Brier 分数、校准图或校准斜率／截距），因为仅报告 AUC 不够；在相关阈值下进行决策曲线／净获益评估是标准输出。增量效用声明应报告新变量项的增量检验（嵌套模型中的似然比检验／Wald 检验）、ΔC-statistic 及其 CI，以及相较于已有临床模型的Δnet benefit，而不能只报告新模型的 AUC；NRI 仅采用分类的、按事件／非事件分层的版本，IDI 应谨慎使用。参见 references/table-standards/table-types/incremental_value.md 和 make-figures 中的 decision_curve 示例（以及绘制曲线的 render_core_figures.py）。

错误处理

• 如果脚本运行失败，应诊断可能原因（缺少软件包、数据格式不匹配、列名错误），并提供修复方法。修改脚本或征求用户意见之前，不要重复运行同一脚本。
• 如果 R 软件包不可用，建议运行 install.packages()，并等待用户确认。

输出规范

代码、表格、图表和控制台输出均使用英文。

表格

生成任何投稿表格之前，请先加载：

1. ${CLAUDE_SKILL_DIR}/references/table-standards/journal-profiles/{journal}.yaml，如果已知目标 期刊（其中设定脚注标记、P 值和 CI 格式、标题与缩写顺序）
2. ${CLAUDE_SKILL_DIR}/references/table-standards/table-types/{type}.md，用于指定表格类型
3. 如果未指定期刊，则默认采用 AMA 样式（Radiology 配置）

输出格式（始终生成以下三种）：CSV 文件（供下游使用和归档）、控制台 Markdown 渲染（供用户审阅）以及 R gtsummary 代码（用于导出 Word/LaTeX）。阅读 ${CLAUDE_SKILL_DIR}/references/table-standards/table-standards.md，了解 gtsummary 流程和脚注排列顺序（一般说明、缩写、具体说明、概率说明）。

验证清单（完成任何表格之前运行）：

• 不使用竖线——仅使用水平线（顶部、表头下方、底部）
• 二元变量仅显示一个水平（例如，仅显示 Male）
• 单位写在表头中，不写在单元格中；每列小数位数一致
• 注明变异度量：均值（SD）或中位数（IQR）
• 注明统计检验方法（脚注或一般说明）；提供精确的 P 值，绝不写“NS”
• 效应量按具有临床意义的单位计算（每 10 年，而非每 1 年）
• 注明分类预测变量的参照类别
• 在脚注中定义缩写；每张表均应自成一体

图

PDF（矢量）+ PNG（300 DPI），使用 figure_style.mplstyle 设置样式（Arial、色盲安全调色板）；宽度为 3.5 英寸（单栏）或 7.0 英寸（双栏）；坐标轴标签注明单位。

特定分析指南

为任意一行生成代码前，请先阅读该行列出的文件（相对于 ${CLAUDE_SKILL_DIR} 的路径）；这些文件包含本文档未重复说明的方法规则。

分析类型	生成代码前阅读	模板
表 1（人口统计学特征）	references/table-standards/table-types/table1_demographics.md	references/templates/table1_demographics.py
诊断准确性（Se、Sp、PPV、NPV、AUC）	references/analysis_guides/diagnostic_accuracy.md	references/templates/diagnostic_accuracy.py
超越基线模型的增量价值（ΔAUC、NRI/IDI、净获益）	references/table-standards/table-types/incremental_value.md	—
阅片者研究（MRMC）	references/table-standards/table-types/reader_study.md	—
预测模型（输出用于决策的风险值）	references/analysis_guides/calibration.md	—
评定者间一致性（kappa、ICC、Bland–Altman）	references/analysis_guides/agreement_reliability.md、references/table-standards/table-types/agreement.md	references/templates/agreement_analysis.py
Meta 分析（成对、单臂比例、DTA）	references/analysis_guides/meta_analysis.md	references/templates/dta_meta_analysis.R（DTA）
网络 Meta 分析（≥3 种干预）	references/analysis_guides/network_meta_analysis.md	—
卫生经济学评价（CEA、CUA、预算影响）	references/analysis_guides/health_economic_evaluation.md	—
调查/Likert 量表（有序评分量表）	下方的调查/Likert 量表部分	references/templates/likert_summary.py
生存分析、竞争风险、区间删失事件	references/analysis_guides/survival.md、references/table-standards/table-types/survival_results.md	references/templates/survival_analysis.py（嵌套单位使用 --cluster <id>）
组间比较、相关性	references/analysis_guides/test_selection.md	—
Logistic 或线性回归	references/analysis_guides/regression.md	references/templates/regression.py（regression_type = "logistic" 或 "linear"）
倾向评分（PSM、IPTW、SIPTW、重叠加权）	references/analysis_guides/propensity_score.md	references/templates/propensity_score.py
调查加权分析（KNHANES、NHANES、KCHS）	references/analysis_guides/survey_weighted.md	references/templates/survey_weighted_analysis.py
基于 NHIS 理赔数据的研究（ICD-10 定义）	references/analysis_guides/nhis_icd10_mapping.md	—
重复测量（LMM、GEE、RM ANOVA）	references/analysis_guides/repeated_measures.md；缺失数据请参阅 references/analysis_guides/missing_data.md（在 MAR 假设下，LMM 已使用所有观测到的结局，因此仅结局缺失并不需要使用 MICE）	references/templates/repeated_measures.py
中介分析	references/analysis_guides/mediation.md	—
多重检验、多暴露扫描（ExWAS/EWAS）	references/analysis_guides/multiplicity.md	—
孟德尔随机化	references/analysis_guides/mendelian_randomization.md	—
多基因风险评分	references/analysis_guides/polygenic_risk_score.md	—
疾病负担、分解、预测	references/analysis_guides/burden_decomposition_forecasting.md	—

比较模型：对于同一批患者的两个独立评分，使用配对 DeLong 检验。对于在同一数据上拟合并评估的嵌套“基线 + 新项”模型，DeLong 检验不能用于检验增量价值；应检验该项（似然比），并报告 ΔAUC 及其置信区间。

以下规则没有单独的指南。

调查／李克特量表

• 每个条目的描述性统计：中位数、四分位距、频数分布。组间比较：Mann-Whitney 或 Kruskal-Wallis 检验（有序数据）。可视化：发散型堆叠条形图。
• 内部一致性：Cronbach's alpha 和条目-总分相关性。
• 反向计分防护（在信度分析前运行）：在计算量表总分或 Cronbach's alpha 之前，先对每个负向表述的条目 重新编码：(min+max) - x。未重新编码的反向条目会产生负的条目-其余条目相关性，并可能使 alpha 为负——这是编码错误， 并非构念具有多维性的证据；不要据此将其辩解为多维构念。likert_summary.py 会输出每个条目的条目-其余条目相关性，将负值标记为疑似反向计分条目，并在 alpha 为负时发出警告，还可通过 --reverse-items E3 ... 进行重新编码。若要在清理数据时筛查，请运行 python3 "${CLAUDE_SKILL_DIR}/../clean-data/scripts/check_reverse_coding.py"。

协变量陷阱：结构性零值与剂量／时长变量

适用于任何包含以分类暴露为参照的剂量／时长变量（如吸烟状态对应的包年数、饮酒量对应的每周克数、既往吸烟者对应的戒烟时长）的多变量调整（logistic／linear／Cox／倾向评分／调查加权）：

• 结构性零值防护（不要插补）：从不吸烟者的 pack_years 是结构性零值——根据类别定义，其值已知为 0，而非缺失。对其进行插补（MICE/MNAR）会为未暴露受试者虚构剂量，并扭曲暴露对比。在插补剂量／时长列之前，明确设置推定的零值（IF status == 'never' THEN dose = 0），且仅插补暴露人群中确实缺失的剩余值。/clean-data 会标记剂量为 NULL 的 never 行（scripts/check_structural_zero.py）。
• 完整病例分析样本骤减（调整状态，而非剂量）：如果完整病例模型中的剂量变量将零值存储为 NULL，就会整体剔除未暴露层，导致 n 骤减（通常为 40–60%），并扭曲亚组估计。应调整分类状态（从不／既往／当前）；连续型剂量仅用于暴露人群的次要分析。报告模型拟合前后的 n，并确认分母没有在不知情的情况下骤减。

协变量选择：横断面结局模型中的过度调整

适用于任何横断面／单次访视结局回归（未观察到时间顺序）。应基于因果关系而非统计结果选择协变量：

• 不要调整结局的后果或中介变量——这会造成过度调整／碰撞偏倚，并去除部分正在研究的效应。典型情况：以 eGFR 为结局时，血清尿酸经肾脏排泄（eGFR 降低会升高尿酸），因此它是结局的后果，而不是混杂因素；血压和 HbA1c 通常也同样处于下游。根据 DAG 将每个候选协变量归类为混杂因素／中介变量／结局后果／碰撞变量，并且仅在主模型中保留混杂因素。
• “表 1 中存在差异”不是选择混杂因素的标准。 不平衡只能作为考虑某个变量的理由；无论中介变量或结局后果变量有多么不平衡，都不应纳入模型。
• 报告可疑协变量敏感性分析 + VIF。 主模型应简约，并基于既往研究／研究设计；将更完整的模型作为敏感性分析，纳入或剔除可疑协变量，并展示主要估计值是否变化。打印 VIF 和实际拟合的 n。如果剔除该协变量会导致估计值发生实质性变化，应在摘要和结论中说明。
• 在相同分析样本中比较调整前后结果。 扩展调整加入存在缺失值的协变量时，分析样本量会缩小（例如，从 84 个事件降至 49 个事件）；将该估计值与全样本的未调整估计值比较，会混淆调整的影响和被排除对象的影响。应在缩小后的完整病例样本中重新拟合未调整模型，并在该样本中并列报告未调整和调整后的结果，以及全样本估计值；切勿根据不同分析样本之间的比较描述“调整改变了估计值”（也可以使用多重插补，使所有模型使用相同的分析样本）。