如果几种药物剂量共用一个安慰剂组，研究者通常会希望各组患者的年龄、病情尽量均衡。于是，分组不再像每次独立抛硬币，而会参考已经入组患者的特征动态调整。这样安排试验很合理，但也带来一个容易忽略的问题：最后分析数据时，沿用传统显著性检验，刻度可能已经不准了。
Guannan Zhai 和 Feifang Hu 的这项工作研究的正是这个问题。它讨论多臂试验——多个治疗组共享一个对照组——在协变量自适应随机化（covariate-adaptive randomization，CAR）下，如何检验不同治疗是否有效。论文发现，在特定条件下，标准 Wald 检验可能过于保守，也可能放大假阳性；作者随后给出一套校准方法。
本文的结论和数字均来自作者发布的 arXiv 论文，尚无第二个独立信源交叉验证。
问题不在随机化，而在分析没有跟上
CAR 会参考年龄、性别、疾病严重程度等入组特征，让各治疗组保持平衡。它仍然包含随机性，但不同患者的分配不再彼此独立。传统标准误如果没有反映这种分配机制，就可能错误描述结果有多不确定。
论文把问题放进广义线性模型（generalized linear model，GLM）中。GLM 是一组可处理不同结局的统计模型：例如 logistic 回归分析“是否治愈”这类二元结果，Poisson 回归分析不良事件次数，线性回归分析连续指标。
研究者常用 Wald 检验判断治疗效果。它的核心是用“估计效果除以标准误”得到 z-score；在理想条件下，这些分数应服从标准正态分布，研究者才能据此计算 P 值。
麻烦出现在“工作模型”遗漏协变量时。工作模型就是研究者实际拿来分析数据的模型。试验分组可能参考了多个特征，但分析阶段为了简化计算，未必把它们全部放进模型。论文提到，研究中心很多或“分层 × 治疗组”的数据格子过于稀疏时，完整拟合 GLM 还可能出现数值不稳定。
作者的理论结果表明，在 CAR、多臂共享对照且模型遗漏协变量的设定下，标准 Wald z-scores 不一定收敛到标准多元正态分布。换句话说，不是“换了随机化，检验一概失效”，而是原来的统计刻度在这些条件同时出现时可能失准。
同一把尺子，会在不同结局上偏向不同方向
这种偏差并不总是增加假阳性。论文分析了几类常见 GLM，并发现方向取决于结局模型和随机化方式。
在组内分层不平衡保持有界的 CAR 下，遗漏了有预测作用的协变量时，标准 Wald 检验用于 logistic 回归通常偏保守，也就是更难报出显著结果；Poisson 回归配合标准的 log link 时渐近有效；指数模型则会膨胀 I 类错误率。I 类错误就是治疗其实无效，检验却判定有效。对于 Pocock–Simon minimization 一类更一般的 CAR，方向还取决于额外的不平衡方差；论文指出，此时 Poisson Wald 检验也可能轻度膨胀。
多臂设计还多一层麻烦。几个治疗组共用同一个对照组，因此各项比较不是独立的。只要其中任何一个真实无效的治疗被误判，整个试验就发生了家族 I 类错误。家族错误率（family-wise error rate，FWER）衡量的正是“至少错报一个”的概率。
不重做模型，先把统计量校准
作者没有要求分析者把所有协变量硬塞回 GLM。新方法仍可使用省略协变量的工作模型，但在方差估计时利用分层信息，把 CAR 制造的相关性和实际结局波动重新计入。
这有点像秤本身还能用，只是零点和刻度需要重校。对于组内不平衡有界的随机化设计，方法用各层内部的结局方差构造汇总方差估计。分层标签只用于校准方差，并不作为大量指示变量进入 GLM，因此避开了稀疏分层下直接拟合高维模型的问题。
对于 Pocock–Simon minimization 等组内不平衡未必有界的设计，还要估计随机化额外带来的方差。论文采用固定协变量的 Monte Carlo 程序：保留已观察到的患者特征，多次重新运行指定的随机化算法，再根据不同重复中的分配不平衡估计这部分波动。
校准后的统计量再与 Simes-type 多重检验结合。论文具体区分了两个目标：Simes test 用于判断“是否至少有一个治疗不同于对照”的整体假设；Hochberg step-up procedure 用于对各治疗分别下结论，并在独立或满足特定正依赖条件时强控制 FWER。
模拟里，偏差可以很大
作者用三臂试验——一个对照组、两个治疗组——检验方法，覆盖 logistic、Poisson 和指数模型，以及多种 CAR。I 类错误实验使用样本量 300 和 600，每个场景重复 5000 次。
最醒目的结果来自指数模型。在名义 FWER 为 0.05 时，标准 Wald 检验报告的家族错误率约为 0.1554 至 0.1825；校准后约为 0.0522 至 0.0572。也就是说，在这些模拟设定里，传统检验把本应约为 5% 的整体误报风险推到了约 16% 至 18%，调整方法则将其拉回接近目标水平。
logistic 回归呈现相反方向：标准检验偏保守。例如样本量 300 时，不同随机化方法下的 FWER 为 0.0140 至 0.0230；调整后为 0.0433 至 0.0534，更接近 0.05。Poisson 场景中，两种方法总体都接近名义水平，符合论文的理论判断。
功效并不是单向改善。功效指治疗确实有效时，检验成功发现它的概率。在一组 300 人的 logistic 模拟中，当第一治疗的设定效应为 1.0、第二治疗固定为 0.15 时，第一治疗的检验功效从 0.6404 升至 0.8148。但在两项治疗效果同时增加的另一组模拟里，调整方法有时反而更低。例如效应分别为 1.0 和 0.95 时，两项功效由 0.7092、0.6736降至0.6082、0.5328。作者也明确承认，方差校准可能牺牲灵敏度。
为什么值得关注
这项工作的价值不只是提出又一种 P 值修正。它把试验设计和最终分析重新接了起来：随机化阶段为了平衡患者而改变分配规律，分析阶段就不能假装数据仍来自简单随机分组。
它还说明，“保守”不等于“安全问题已经解决”。保守检验会漏掉真实效果；膨胀检验则会增加错误发现。究竟偏向哪边，取决于结局类型、GLM、遗漏协变量和 CAR 的具体性质。校准方法的目标，是先让错误率可信，再讨论功效高低。
局限与未知
- 真实数据部分使用了一项转移性乳腺癌试验，但现有材料没有给出该案例的样本量、效应估计或调整前后差异，无法判断实际影响有多大。
- Simes 与 Hochberg 程序的保证依赖有效 P 值以及独立或特定正依赖条件，不能扩张为适用于所有多重检验方法、所有 CAR 设计。
- 模拟说明校准可能提高也可能降低功效。如何在具体试验中权衡错误率控制与检测能力，仍需结合随机化方案、样本量和结局模型判断。