统计检验差异解析

以下从统计量定义、分布性质、模型联系、适用条件与小样本行为、零计数处理、效应量与报告、以及工具实现等方面，对卡方检验（Pearson χ²）与G检验（似然比检验，G²）进行系统比较。

1. 适用场景与核心问题

• 两者都用于离散计数数据（多项式/Poisson 采样）的假设检验：
  • 拟合优度检验：观测分布是否符合给定理论分布。
  • 列联表检验：分类变量的独立性或样本同质性。
• 本质区别在于检验统计量构造：χ²基于残差平方加权，G²基于似然比（对数似然差）。

2. 统计量定义

• 记 O_i 为观测频数，E_i 为在原假设 H0 下的期望频数。
• Pearson χ²: X² = Σ (O_i − E_i)² / E_i
• G检验（似然比）: G² = 2 Σ O_i ln(O_i / E_i)（默认使用自然对数；当 O_i=0 时，按极限约定 O_i ln(O_i/E_i)=0）
• 二者都在大样本下近似服从卡方分布：X², G² → χ²_df
  • 拟合优度：df = K − 1 − q（K为类别数，q为从数据估计的参数个数）
  • 独立性/同质性（r×c 表）：df = (r − 1)(c − 1)

3. 理论联系与差异

• 一致性与近似等价：在 H0 附近，G² 通过泰勒展开与 X² 等价，差异为高阶项；大样本下两者p值几乎一致。
• 模型解释：
  • G²是多项式/Poisson 对数线性模型中的“偏差”(deviance)，等于饱和模型与受限模型的2倍对数似然差；便于做嵌套模型比较、逐步选择与GLM框架统一分析。
  • X²是基于残差的二阶近似，计算与解释直观，传统报告更常见。
• 信息论视角：G² 与 Kullback–Leibler散度直接相关；X²与二次型距离相关。
• 统计家族：二者均为 Cressie–Read 功率散度统计量的特例（λ=1 得 X²；λ=0 得 G²）。

4. 小样本与稀疏表行为

• 经验规则（保守但常用）：
  • 期望频数 E_i 应尽量 ≥ 5；或至少80%单元格 E_i ≥ 5 且无 E_i < 1。
• 差异与修正：
  • 2×2 表中，Pearson χ²常配合 Yates 连续性校正以减小第一类错误；G²无对应的标准连续性校正，但在拟合优度场景有 Williams 修正（较少用）。
  • 在偏斜/稀疏分布下，G²有时比χ²更稳定，但两者都可能偏离名义显著性水平。
• 建议：
  • 若期望频数较小或存在稀疏性，优先考虑精确检验（如2×2使用Fisher精确检验）或蒙特卡洛置换/模拟p值。
  • 若必须使用渐近检验，报告并审慎解读结果，或合并稀疏类别。

5. 零计数与结构性零

• O_i = 0：
  • X²项为 E_i（可计算）；G²按约定 0·ln(0/E_i)=0，可计算。
• E_i = 0：
  • 统计量不定义，意味着在H0下该结果概率为0；需合并类别或重设模型。
• 结构性零（结构约束导致的必为0）：
  • 不应计入常规自由度；使用对数线性模型设定结构零或采用合适的受限模型/精确方法。

6. 假设、稳健性与扩展

• 采样假设：独立观测、固定总数的多项式（或等价的Poisson）采样。
• 复杂抽样/权重：标准χ²近似失效，需使用调查设计修正（如Rao–Scott调整）或基于设计的推断。
• 过度离散：若数据方差明显大于多项式/Poisson假设，G²与X²都会膨胀；应转向分层/混合模型或拟合更合适的分布。

7. 功效与选择建议

• 功效差异通常很小；在偏离较大或分布不均衡时，G²略有优势；在非常大样本下两者结果几乎一致。
• 选择建议：
  • 需要与GLM/对数线性模型衔接、比较嵌套模型或做模型选择：优先G²（报告“偏差差异”的χ²检验）。
  • 传统列联表分析、教学或标准报告：Pearson χ²更常规。
  • 小样本/稀疏：考虑精确或模拟方法；避免仅在χ²与G²之间切换寄望显著改善。

8. 报告与效应量

• 报告内容：统计量（X²或G²）、df、p值、样本量、最小/中位期望频数、是否使用校正或模拟。
• 效应量：列联表常用 φ 或 Cramér’s V（基于χ²和样本量计算）；即便采用G²检验，也可并行给出χ²以计算V，或直接报告基于模型的效应度量（如比值比、对数线性系数）。

9. 常用软件实现

• R：
  • Pearson χ²：stats::chisq.test()（2×2可用Yates校正；simulate.p.value可做蒙特卡洛p值）
  • G检验：DescTools::GTest()；或使用MASS::loglm()/stats::glm(family=poisson)并比较偏差
• Python（SciPy）：
  • 列联表：scipy.stats.chi2_contingency(observed, correction=..., lambda_="pearson" 或 "log-likelihood")；后者即G检验
  • 拟合优度：scipy.stats.power_divergence(observed, expected, lambda_="pearson"/"log-likelihood")

要点总结

• Pearson χ²与G检验在大样本下近似等价；差别主要在统计量构造与模型化解释。
• G检验是标准的似然比框架（GLM中的偏差），在模型比较与扩展分析中更自然。
• 小样本或稀疏数据时，两者都可能不可靠；应考虑精确或模拟方法，或合并类别。
• 报告时关注假设、自由度、期望频数与可能的校正，并配合效应量与区间估计展现实际意义。

Summary

• Both the log-rank and Breslow (Gehan–Breslow–Wilcoxon) tests are nonparametric methods for comparing survival distributions across groups under right-censoring.
• They use the same core framework—comparing observed to expected events at each distinct failure time—but differ in their weighting of event times, which affects power under different time-patterns of treatment effects.

Common framework

• Let t1 < t2 < … < tJ be the distinct event times.
• At time tj:
  • dgj = events in group g
  • ngj = at risk in group g just prior to tj
  • dj = Σg dgj (total events)
  • nj = Σg ngj (total at risk)
• Expected events in group g under the null: Egj = dj × (ngj / nj).
• Generic test statistic: U = Σj wj × (dgj − Egj), with variance computed from the hypergeometric model, Var(U) = Σj wj^2 × [ng1 ng2 dj (nj − dj)] / [nj^2 (nj − 1)] in the two-group case (extended similarly to k groups).
• Choice of weights wj differentiates the tests.

Log-rank test

• Weights: wj = 1 for all j (each event time weighted equally).
• Properties:
  • Most powerful when hazards are proportional (constant hazard ratio over time).
  • Detects persistent, sustained differences across the entire follow-up.
  • Less sensitive to when the differences occur (early vs late), since all event times are equally weighted.
  • Score test equivalence: it is the score test for the Cox proportional hazards model with a group indicator and no other covariates.

Breslow (Gehan–Breslow–Wilcoxon) test

• Weights: wj = nj (total number at risk just before tj).
  • Early event times typically have larger nj; thus early events receive higher weights.
• Properties:
  • More sensitive to early differences between survival curves (e.g., treatments with early benefit or early toxicity).
  • Less sensitive to late differences because fewer remain at risk (smaller nj) at later times.
  • Power can be more affected by the censoring distribution: heavy early censoring or unequal censoring patterns can change the effective weighting of event times more strongly than in the log-rank test (still valid under non-informative censoring).
  • Often described as a Wilcoxon-type test adapted to right-censoring.

When to use which

• Use log-rank when proportional hazards is plausible or when differences are expected to be sustained over time.
• Use Breslow when prior knowledge or exploratory plots suggest early separation of survival curves.
• If non-proportional hazards are suspected, consider reporting both or using a family of weighted tests (e.g., Fleming–Harrington) and complementary measures (e.g., restricted mean survival time), ideally pre-specified.

Additional notes

• Both tests handle right-censoring under the assumption of non-informative censoring and independent observations.
• Do not confuse the “Breslow test” with the “Breslow approximation” for handling ties in Cox regression; they address different issues.
• For intermediate weighting, other tests exist (e.g., Tarone–Ware uses wj = √nj), but the core distinction remains: log-rank (uniform weighting) vs Breslow (risk-set weighting favoring early times).