04.5.1 应用的基本条件
A. 必须满足的基本条件：
观测关联性：数据来自相同的受试者，或经过严格 1:1 匹配的配对子（如：同一患者的左眼 vs 右眼，或病理上高度匹配的夫妻对子）。
变量属性：
McNemar 检验：自变量为两种方法/两次测量，因变量为二分类（0=阴性, 1=阳性）。
Bowker 检验：自变量为两种方法/两次测量，因变量为 R × C的多分类（如：治疗前后的病情轻/中/重分级）。
Cochran's Q 检验：自变量为≥ 3 次测量或 3 种诊断手段，因变量为二分类（0=无效, 1=有效）。
B. 满足条件的正面示例：
研究背景：为验证“双维融合精准分层诊疗体系”中新型液体活检技术（方法 A）的筛查效能，研究团队在同一批确诊非小细胞肺癌的患者（N = 100）体内，同时运行了方法 A 与传统组织活检技术（方法 B），比对两者检测 EGFR 突变的阳性率（阳性/阴性）。
数据特征：100 名患者，每人都留下了方法 A 和方法 B 两个二分类检测结果，数据呈 1:1 配对结构。
判定：完全满足 McNemar 二分类配对检验 的适用条件。
C. 不满足条件的负面示例（因果剖析与统计取舍）：
反面案例 1：将两个完全独立的患者群体的数据混为配对资料
研究背景：对比方案 A 组（50例）与方案 B 组（50例，无任何匹配关系）患者术后 1 年复发率（是/否）的差异。
错用因果：McNemar 检验的自由度极低（df=1），它默认每行数据都是同一个体的配对信息。如果将完全独立的两个组强行塞入配对检验中，在数学上是将不相关的协方差强制引入了分母，导致标准误计算产生严重偏差，这属于原则性的方法学错用。
取舍策略：必须改用标准的 Pearson R× C 卡方检验或 Fisher 精确检验。
反面案例 2：对三组及以上重复测量数据（二分类）进行多次两两 McNemar 检验
研究背景：评估同一批患者在术前、术后 3 个月、术后 6 个月三个时间点的肺功能达标率（达标/未达标）差异。
错用因果：如果分别做“术前 vs 3个月”、“3个月 vs 6个月”以及“术前 vs 6个月”三次配对卡方，这会导致一类错误（α 膨胀）。三次独立检验的累积一类错误概率将从 0.05飙升至 1-(1-0.05)^3 ≈ 0.143，极易得出假阳性结论。
取舍策略：首先必须采用 Cochran's Q 检验进行整体差异判定。若整体差异有统计学意义，再进行经过 Bonferroni 修正的事后两两比较。
04.5.2 核心概念深度剖析：McNemar
McNemar 在数学上被称为“不一致对子检验”，其计算公式蕴含着深刻的“天平对称”哲学。所以临床上主要用于诊断方法的效能评价。
数据的配对分布矩阵（四格表）
我们将 100 例患者的检测结果整理为如下配对四格表（诊断四表格）：
| 方法 B (阳性) | 方法 B (阴性) | 行合计 | |
|---|---|---|---|
| 方法 A (阳性) | a(双阳) | b(A阳B阴) | a+b |
| 方法 A (阴性) | c(A阴B阳) | d(双阴) | c+d |
| 列合计 | a+c | b+d | 总计 (N) |
为什么只关心 b 和 c？
a和 d 是“一致对子”：代表方法 A 和方法 B 得出了完全一样的结论。无论是双阳（a）还是双阴（d），都无法向我们证明“究竟哪种方法检测阳性率更高”。
b 和 c 是“不一致对子”：
b 代表只有方法 A 报阳性；
c 代表只有方法 B 报阳性。
核心数学假说：如果方法 A 和方法 B 的阳性检测效能完全没有区别（H_0 成立），那么那些发生分歧的受试者（b + c 个），应该像抛硬币一样，均匀、对称地分布在天平的两端。即我们期望：
当不一致对子总数 b + c ≥ 25时，卡方计算公式为：
注：分子中的“- 1”为 Yates 连续性校正。当 b + c < 25 时，SPSS 将直接输出基于二项分布的精确概率（Exact P value），这是小样本下的金标准。
04.5.3 演示案例：三种诊断技术的多节点交叉模型
为了向学员全面展示这三种检验的实操，我们使用配套数据集（N = 100）。该数据同时记录了同一批肺癌患者接受三种无创标志物筛查（Method A, Method B, Method C）的结果：
【三种方法两两交叉的配对矩阵（McNemar/Bowker 原型）】
| 交叉设计配对 | 诊断一致对子 | 诊断不一致对子：只有 A (+) | 诊断不一致对子：只有 B (+) | 总有效例数 | 决策 |
|---|---|---|---|---|---|
| A vs B | a+d = 70 | b = 25 | c = 5 | 100 | 不一致对子分布严重失衡 (25 vs 5) |
数据动态观察：方法 A 单独判定为阳性的人数（25例）远多于方法 B 单独判定为阳性的人数（5例）。两者在不一致对子上的失衡，预示着方法 A 的阳性检出率可能显著高于方法 B。
04.5.4 SPSS 演示实战步骤
我们用同一份数据完成二分类配对和重复测量配对，二分类讲解时选择其中的两种方法进行演示，该教程仅用于演示，实际操作要区分好适用条件。
二分类配对（McNemar 检验 / Bowker 对称性检验）
McNemar 检验: 评估方法 A（新型液体活检）与方法 B（传统组织活检）对 100 例患者的 EGFR 突变检出结果。
Bowker 对称性检验:为实现“双维融合精准分层诊疗”，我们将诊断结局细化为：1=低风险、2=中风险、3=高风险。使用方法 A 与方法 B 对同一批 100 例患者进行分层诊断。
第一步：录入数据
第二步：选择工作流
分析 (Analyze) ──► 描述统计 (Descriptive Statistics) ──► 交叉表 (Crosstabs...)。
第三步：变量配置
将 Method_A 选入 行 (Row)。
将 Method_B 选入 列 (Column)。
勾选配对检验量：点击右侧 “统计 (Statistics...)” 按钮。
勾选 麦克尼马尔 (McNemar)（如果您的变量是 3×3 多分类配对，SPSS 会自动将其升级运行为 Bowker 对称性检验，操作路径完全相同）。
点击 继续 (Continue) 并点击 确定 (OK)。
≥3 次重复测量二分类（Cochran's Q 检验）
第一步：录入数据
第二步：选择工作流
分析 (Analyze) ──► 非参数检验 (Nonparametric Tests) ──► 相关样本 (Related Samples...)。
第三步：变量配置
进入弹窗后，选择顶部的 “字段 (Fields)” 选项卡。
将 Method_A、Method_B、Method_C 三个变量同时选入右侧的 测试字段 (Test Fields) 框中。
选择检验方法：切换到顶部的 “设置 (Settings)” 选项卡。勾选 定制检验 (Customize tests)。勾选 Cochran 的 Q（k 样本）(Cochran's Q (k samples))。
运行 (Run)。
输出结果
04.5.5 SPSS结果解读要点
A. McNemar 2×2
盯防“不一致对子（Discordant Pairs）”的总数
判读点：首先看发生分歧的受试者总数（即四格表中的 b + c）。
决策逻辑：
b + c ≥ 25：直接读取带连续性校正（Yates' correction）的 McNemar 卡方值与 P值。
b + c < 25：必须改看精确二项分布（Exact Binomial）计算出的确切 P值（SPSS 输出的 "Exact Sig. (2-sided)"）。
教学话术：“一致的对子（双阳/双阴）只能证明两种方法有共性，无法帮我们区分孰优孰劣。只有发生分歧的‘不一致对子’，才是决定天平向哪边倾斜的关键。”
2. 观察不一致对子的“对称性（Symmetry）”
判读点：比较 b（仅方法 A 阳性）与 c（仅方法 B 阳性）的数值差距。
物理意义：如果两者非常接近（如 14 对 16），天平是平衡的，说明两种方法的阳性检出率无本质差异；如果两者差距极大（如 25对 5），天平严重倾斜，提示某种方法的敏感度显著更高。
McNemar 3×3
在 3 × 3表格中，我们不能只看总数，而是要分头检查每一对镜像不一致对子的合计数：
检查 b_1 + c_1
检查 b_2 + c_2
检查 b_3 + c_3
判定红线：
如果任意一对镜像不一致格子的合计数 < 10（例如某对分歧患者只有 5例），普通渐进卡方的近似计算就会失真。
解决方案：在 SPSS 运行 Bowker 检验时，不能直接读取默认的渐进 P 值。必须在 “Exact” 弹窗中勾选 Exact（确切概率法） 或 Monte Carlo 模拟，直接读取精确的 P值。
Cochran's Q
（1）理解Cochran's Q 的“整体”属性与事后两两比较
判读点：Cochran's Q 检验是一个整体检验（Global Test）。
后继动作：
如果 \(P \ge 0.05\)：说明三种（或多次）检测方法的整体检出率无显著差异，分析结束。
如果 \(P < 0.05\)：说明三种方法间至少有两组存在差异。此时必须进行事后两两比较（Post Hoc Pairwise McNemar）。
避坑红线：两两比较时，必须使用 Bonferroni 修正调整显著性水准（\(\alpha' = \alpha / m\)）。在我们的 3 组比较中，\(m = 3\)，因此临界值应调整为 \(\alpha' = 0.017\)。
（2）Cochran's Q 检验中，谁是“不一致对子”？
在我们的 100 例患者数据中，每位患者都有 3 个检测结果（Method A, B, C）。
“一致个案”（Constant Cases）：如果某个患者的三个结果是 [1, 1, 1]（全阳性）或 [0, 0, 0]（全阴性）。
统计学效应：这些患者在天平上属于“完全对称”的砝码，对 Cochran's Q 的统计量计算没有任何贡献（在计算公式中，这部分个案的方差为 0，会被自动忽略）。
“非恒定个案”（Non-constant Cases）：如果患者的结果存在分歧，比如 [1, 0, 0]、[1, 1, 0] 等。
统计学效应：这些发生分歧的个案，正是 Cochran's Q 检验中的“不一致对子”。整个检验的效能和计算完全依赖于这些非恒定个案。
（3）Cochran's Q 检验的“样本量红线”是什么？
既然全阳和全阴的个案不参与计算，那么 Cochran's Q 检验的有效性就完全取决于非恒定个案的总数。
统计学公认的渐进性（Asymptotic）适用红线如下：
核心红线：发生分歧的非恒定个案总数N_active必须 ≥10例。
如果N_active ≥ 10，Cochran's Q 统计量会很好地服从自由度为 k - 1（本例中为 3 - 1 = 2）的卡方分布，此时读取软件输出的“渐进显著性”（Asymptotic P-value）是安全、可信的。
如果 N_active < 10（即 100 人中，只有极个别人在三种方法中给出了不一样的诊断），渐进卡方分布就会失真，此时算出来的 P值极不准确。
(4)如果非恒定个案 < 10 怎么办？
在临床罕见病或超小样本研究中，如果发生分歧的个案数 < 10：
解决方案：必须在 SPSS 中放弃渐近法，改用确切概率法（Exact Cochran's Q test）。
软件操作：在 SPSS 的“相关样本”非参数检验面板中，点击右上角的 Exact（精确） 按钮，勾选 Exact 运行，从而获取基于置换分布计算出的精确 P值，以规避小样本偏倚。
请点击 文件 (File) > 新建 (New) > 语法 (Syntax)，输入以下代码并点击运行按钮（绿色三角形）：
NPAR TESTS /COCHRAN = Method_A Method_B Method_C /STATISTICS DESCRIPTIVES /MISSING ANALYSIS /METHOD = EXACT TIMER(5).04.5 课程图 14 04.5 课程图 15
