卡方检验没报警，不代表系统没偏

一批商品送检，每箱都得到一个“总体合格分”。所有分数看起来正常，你可能就放心放行了。但如果把温度、重量和破损位置放在一起看，也许会发现：某条产线总在特定温度下出现同一种破损。总分没报警，规律却一直存在。

科学实验也有类似问题。研究人员常做零检验（Null test）——把理论上不该出现信号的数据组合拿来检查。结果若明显偏离零，就提示仪器、处理流程或样本选择可能出了问题。它是排查系统误差的诊断工具，不是“系统绝对无误”的证明。

Adrian E. Bayer 和 David N. Spergel 在预印本论文《Beyond ${\chi }^2$》中提出，别急着把许多零检验压成一个总分。把它们视为一个多变量数据集，直接检查整体分布，可能更早发现那些尚未被研究者预先想到的系统误差。下文结果均来自这篇论文，目前没有机构外的独立复现。

总分正常，细节仍可能集体走偏

常规卡方检验（${\chi }^2$ test）通常会把多个标准化偏差平方后加总，再判断整体偏离是否异常。平方意味着正负偏差不会互相抵消，但最后只留下一个数。这个数能说明“离中心有多远”，却会丢掉“往哪个方向偏”、不同特征如何一起变化，以及异常是否只出现在部分观测中。

平均也会造成类似的信息损失。假设十晚观测里，五晚偏高、五晚偏低。合并后均值可能正好正常，但逐晚结果已经形成两个群体。系统误差——会按某种规律持续推偏结果的误差——就可能藏在这种群体形状或特征关系里，无法靠增加测量次数自然消失。

论文提出的 ensemble null tests，可译作“集合式零检验”。每次重复测量不再先变成一个分数，而是保留为特征向量。例如，一次宇宙微波背景观测可以留下九个波段功率；一颗恒星可以留下径向与旋转速度；一个细胞可以留下 DNA 含量、细胞核面积和 DNA 损伤标志物等特征。许多向量组成待测集合，再与观测、模拟或实验对照构成的参考集合比较。

这就是多变量分布检验：它不只比较平均值或总距离，还比较多个测量的联合形状及相互关系。

PQMass 看的是“人群分布”

作者用 PQMass 作为代表性方法。它原本用于评估生成模型，做法是把多维空间划成若干区域，再比较待测集合与参考集合各自在这些区域里占多少比例。

可以把它想成检查两座城市的人流。单一统计量只问两城居民离市中心的平均距离是否相近；PQMass 还会看人分别聚集在哪些街区。即使平均距离相同，只要一城的人沿几条道路扎堆，另一城均匀分散，差异仍会显现。它还能指出哪些区域贡献了不一致，为后续追查提供线索。

论文也没有声称它处处最强。作者同时比较了针对均值差异的 Hotelling’s $T^2$、汇总单次异常的 Fisher 方法，以及比较距离分布的 KS-${\chi }^2$。在受控实验里，均值平移最适合 Hotelling；整体向外膨胀时，Fisher 和 KS-${\chi }^2$ 更敏感；径向收缩偏向 KS-${\chi }^2$。PQMass 的优势出现在另一种变化：数据点向坐标轴集中，但到中心的距离大体不变。只看均值或距离的检验大多错过了它。

说白了，没有一种统计量对所有异常都最敏感。集合式检验的价值，是在不知道故障长什么样时，保留更多可供报警的结构。

三个场景，分别说明了什么

第一组证据来自宇宙微波背景（CMB）模拟。作者为每次零测量保留九个功率谱区间，并注入六类系统效应，包括校准波动、短暂污染、分组噪声相关、过度扣除模板和不同噪声谱混合等。500 次独立模拟实验显示，各种定向检验各有盲区，PQMass 对六类效应都有明显检出能力。

更关键的是平均造成的损失。在总观测量相同的比较中，对论文研究的那些会随观测变化的污染，保留逐次测量的集合式检验达到 50% 检出率时，所需污染幅度最低可至完全合并后检验的八分之一。这不等于所有 CMB 检验都能提升八倍，也不是在真实观测中已经发现了新污染；它只适用于论文给定的模拟设计和注入效应。

第二个场景使用 Gaia DR3 中距太阳 200 pc 内恒星的速度数据。作者检查一种对称性：把恒星朝向或远离银河中心的径向运动反转后，径向与旋转速度的联合分布是否仍一致。PQMass 的检出曲线接近一个事先知道恒星移动群位置的 matched filter——即按已知目标形状定制的匹配搜索，而且比其他不知道这些位置的检验使用更少恒星。它说明，通用检验有机会接近“提前知道该找什么”的搜索灵敏度，但论文没有给出可泛化的提升倍数。

第三个场景是 CRISPR knockout screen，即用 CRISPR 破坏基因、观察细胞变化的筛选实验。作者比较不切割 DNA 的 non-targeting guides，与会切割但目标位于这些细胞未表达基因之外的 guides。检测特征包括 DNA 含量、细胞核面积，以及两项 DNA 损伤标志物 H2AX 测量。

PQMass 达到 50% 检出率约需每组 11 个 guides；把每个 guide 对应细胞压成特征中位数的基准方法需要 54 个，约为前者五倍。它还把差异定位到具有更多 H2AX 局部斑点、且 H2AX 强度居中的细胞区域。研究者据此设计了更针对性的指标——有斑点细胞的比例——约用每组 7 个 guides 就达到 50% 检出率。

这个过程很重要：通用检验先提醒“对照组并不真正可比”，再指出差异来自哪里，最后帮助研究者设计更灵敏、也更容易解释的专门检查。

真正值得保留的是原始结构

这项工作的核心并非简单宣布“PQMass 胜过卡方检验”。更准确的结论是：重复测量本身就是一份诊断资源。若过早求平均，或把每次测量压成一个标量，研究者可能主动删掉揭示系统误差所需的信息。

集合式零检验也有一个实际好处：在零假设下数据标签可以交换时，可通过置换校准显著性——反复打乱标签，观察纯随机分组能产生多大的差异，而不必假定检验统计量服从某个解析分布。Gaia 场景则因每颗恒星都提供自己的反射参照，采用配对的符号随机化。

但它更适合成为现有工具箱的补充，而不是替代所有卡方检验。已知某类故障时，专门设计的检验往往更省样本；某些在多次观测中始终同向的残差，也可能因合并数据而更容易显现。论文自己的实验同样表明，MMD 等其他多变量方法在部分条件下可与 PQMass 竞争，甚至更敏感。

局限与未知

• 论文仍是 arXiv 预印本，主要结论来自同一组作者；CMB 证据是模拟结果，Gaia 与 CRISPR 结果也尚未在材料中显示外部复现。
• 性能依赖异常类型、污染幅度、集合大小以及参考分布是否合适。论文不能支持“卡方检验普遍失效”或“多变量检验总是更可靠”这样的泛化。
• 更广泛应用仍需解决如何构造可信参考集合。集合式检验能发现待测数据与参考不一致，却不会自动判定究竟是仪器污染、对照设置不当，还是原先假定的物理对称性本身不成立。

卡方检验没有报警，只能说明它所汇总的那种偏离不够异常。把一串零检验保留下来，当作一个有形状、有方向、有内部关系的整体再看一次，才更接近研究者真正想问的问题：系统是否正在以我们尚未想到的方式出错。