平行組設(shè)計的優(yōu)效性檢驗
平行組設(shè)計
平行組設(shè)計，即 parallel group design，我們也稱之為成組設(shè)計。其實，這種設(shè)計，我們?nèi)粘Ｖ欣斫庥龅降幂^多，即將 subjects 按事先指定的概率隨機(jī)地分配到各組，各組同時進(jìn)行、平行推進(jìn)試驗進(jìn)程。我們經(jīng)常遇見的設(shè)計類型，多為此類。
其中，各組的樣本量可以相同，也可以不相同。但一般地，在總樣本量不變時，選擇各組樣本量相等的設(shè)置可以達(dá)到最高統(tǒng)計效率。具體實施時，要注意隨機(jī)性的維護(hù)。按照 ITT 原則，對于隨機(jī)化分組后的 subjects，研究分析人員不能作隨意的刪除。此外，在對數(shù)據(jù)的分析過程中，基于臨床試驗隨機(jī)化過程認(rèn)真且嚴(yán)格執(zhí)行的前提，一般我們不作各組間的基線指標(biāo)的均衡性或者可比性檢驗，在這種前提下，我們同時認(rèn)為，由于抽樣誤差的存在，可能會影響一個或某些指標(biāo)組間的統(tǒng)計學(xué)差異，但總體上來講，不影響分組的合理性。
按照分組的不同，所需要的組間差異性（優(yōu)效性）檢驗方法自然也就不同，我們分別來看一下。
兩組比較
對于兩組的平行組設(shè)計，常見的為一個試驗組加上一個對照組，還有個另外的名字，為雙臂試驗 two-arm study。這個 arm 還和 treatment 的含義不一樣，事實上，arm 為包含 treatment 的完整路徑。
對于兩臂試驗的組間優(yōu)效性檢驗比較，若效應(yīng)指標(biāo)為連續(xù)性變量，簡單比較可考慮如 t 檢驗、Wilcoxon 秩和檢驗，分層分析則可考慮方差分析 ANOVA、秩變換法，需要考慮協(xié)變量的話，則可采用一般線性模型或進(jìn)行秩變換；若效應(yīng)指標(biāo)為分類變量，其中，對于二分類變量，簡單比較我們可用 Pearson 卡方檢驗或者確切概率法，分層分析則可考慮 CMH 卡方檢驗，需要考慮協(xié)變量的話，則可采用 logistic 回歸；而對于分類變量中的等級變量，簡單比較我們可用 Wilcoxon 秩和檢驗，分層分析則可考慮進(jìn)行秩變換，需要考慮協(xié)變量的話，則可采用有序 logistic 回歸；若效應(yīng)指標(biāo)為生存資料變量，簡單比較可考慮 logrank 檢驗，分層分析則可考慮分層 Wilcoxon 檢驗，需要考慮協(xié)變量的話，則可采用 Cox 回歸。
多組比較
對于多組的平行組設(shè)計，常見的為一個試驗組加上一個陽性對照組再加上一個安慰劑對照組，它也有個另外的名字，為三臂試驗 three-arm study。三臂試驗的好處是顯而易見的：既可以與陽性對照比較試驗藥的相對效應(yīng)，又能與安慰劑對照比較絕對效應(yīng)。
對于三臂試驗的組間優(yōu)效性檢驗比較，若效應(yīng)指標(biāo)為連續(xù)性變量，簡單比較可考慮 One-way ANOVA、K-S 秩和檢驗，分層分析則可考慮 ANOVA，需要考慮協(xié)變量的話，則可采用一般線性模型或進(jìn)行秩變換；若效應(yīng)指標(biāo)為分類變量，其中，對于二分類變量，簡單比較我們可用 Pearson 卡方檢驗或者確切概率法，分層分析則可考慮 CMH 卡方檢驗，需要考慮協(xié)變量的話，則可采用 logistic 回歸；而對于分類變量中的等級變量，簡單比較我們可用 K-S 秩和檢驗，需要考慮協(xié)變量的話，則可采用有序 logistic 回歸；若效應(yīng)指標(biāo)為生存資料變量，簡單比較可考慮 logrank 檢驗，分層分析則可考慮分層 logrank 檢驗，需要考慮協(xié)變量的話，則可采用 Cox 回歸。
我們之所以要設(shè)計不同的劑量梯度，在劑量-反應(yīng)關(guān)系研究中，主要為了通過趨勢檢驗來尋找評估劑量與效應(yīng)之間的總體趨勢，從而首先確認(rèn)該藥物有效；在總體趨勢有統(tǒng)計學(xué)意義的基礎(chǔ)上，我們需要建立劑量-反應(yīng)關(guān)系模型來識別其中哪些劑量組既有統(tǒng)計學(xué)意義又有臨床意義，借此來確定滿足有效性和（或）安全性的劑量范圍，這些信息彌足珍貴，可以幫助我們確定該藥物的治療窗 therapeutic window。治療窗的下限即為 MED 最小有效劑量，即它標(biāo)志著有效性，治療窗的上限即為 MTD 最大耐受劑量，即它標(biāo)志著安全性。
