数据统计服务如何做期中分析？

说实话，我在刚接触数据统计这行的时候，对"期中分析"这个概念一直稀里糊涂。每次项目做到一半，老板突然说"来，我们做个期中分析"，我就会手忙脚乱地翻数据、画图表，最后交上去的东西往往抓不住重点。后来跟了一位前辈，他才告诉我：期中分析不是简单地把数据汇总一下，而是要在项目的"半程"这个特殊节点上，做一次有针对性的"体检"。

今天我想把这个话题聊透，分享一些实操经验。如果你正在负责某个数据统计项目，或者正在为如何做好期中分析而发愁，希望这篇文章能给你一些实实在在的帮助。

什么是期中分析？为什么它这么重要？

期中分析，英文叫interim analysis，简单来说就是在项目执行过程中、正式结束之前进行的阶段性数据分析。它不是简单的时间过半数据过半，而是一次系统性的回顾和调整机会。

我给大家打个比方，你就理解了。如果你负责盖一栋楼，工期是12个月，期中分析就像是盖到第六个月时请结构工程师来检查：地基打得好不好？承重墙有没有歪？水电管线位置对不对？发现问题还能及时修正，要是等到竣工验收才发现问题，那代价就大了去了。

在数据统计服务中，期中分析的价值主要体现在这几个方面：

• 及时发现问题。 数据采集有没有偏差？样本量够不够？统计方法用对了吗？这些问题在早期发现，成本最低。
• 调整研究方向。 初步结果可能提示你原假设需要修改，或者某些变量比预想的更重要，及时调整能让后续工作更有针对性。



• 管理预期和资源。 项目做到一半，结果大致是什么样子，团队和客户心里都有个数，避免最后出现太大的落差。
• 积累经验教训。 期中分析的过程本身就能发现流程中的问题，为下一个项目提供参考。

什么时候做期中分析最合适？

这个问题没有标准答案，得看你具体是什么类型的项目。但有一些基本原则可以参考。

一般来说，期中分析会选择在项目总工期的50%-60%这个时间点进行。太早的话，数据积累不够，分析结果不稳定；太晚的话，就算发现问题，留给调整的时间也不多了。

不过时间点只是其中一个维度，更重要的是数据维度的成熟度。比如你的项目需要采集1000个样本，当你收集到600-800个的时候，就可以考虑做期中分析了。因为这个量级的数据已经能看出一些趋势，但又有足够的样本供后续验证。

还有一种情况是"事件驱动"的期中分析。比如药物临床试验中，当累计到一定数量的主要终点事件时，就可以启动期中分析。这种情况下，时间不是决定因素，而是事件数量达到预设阈值。

期中分析具体怎么做？

这部分是重点，我想分步骤详细说说。

第一步：明确分析目标和范围

很多人一上来就开始导数据、跑统计，这是不对的。在动数据之前，你必须先想清楚：这次期中分析到底要回答什么问题？

是检验数据质量？还是初步验证假设？或是评估统计效力？目标不同，分析的方法和侧重点完全不同。建议在开始之前，拉上项目核心成员开个小会，白纸黑字把分析目标写下来。

我见过不少案例，期中分析做完后，大家对结果有不同理解，根本原因就是一开始目标不清晰。所以这步看似简单，反而是最容易被忽视的。

第二步：数据质量核查

数据质量是期中分析的重中之重。如果数据本身有问题，后面的分析再漂亮也是白搭。

具体核查哪些内容呢？我整理了一个清单，大家可以对照着看：

核查项目	具体内容	检查方法
完整性	缺失值比例、缺失模式	描述性统计、缺失模式图
一致性	逻辑矛盾、前后不一致	交叉表、逻辑校验规则
准确性	异常值、离群点	箱线图、Z分数、业务规则
代表性	样本分布是否合理	分层统计、卡方检验

这里我想特别说说异常值处理。很多新手一看到异常值就想删掉，我的建议是：慎重再慎重。有些异常值是真的人为错误，比如录入错误，这种可以修正或删除；但有些异常值可能恰恰是最有价值的发现。最好先把异常值标记出来，分析的时候分两步走：包含异常值和不包含异常值的结果都做一遍，看看差异有多大。

第三步：初步统计分析

数据核查没问题后，就可以开始正式的分析工作了。期中分析的统计分析跟最终分析有些不同，重点不在于得出最终结论，而在于验证统计方法的适用性，以及获取初步的效果估计。

你需要做几件事：

• 描述性统计要全面。均值、中位数、标准差、四分位数，这些基础指标都要跑一遍。
• 主要假设的初步检验。比如你要比较两组差异，这时候可以先跑一个t检验或者卡方检验，看看p值大概在什么水平。
• 效应量估计。除了p值，还要看效应量（effect size），这个指标对后续样本量计算很重要。
• 多变量分析初步探索。如果你有多个变量，可以先跑跑相关矩阵或者简单的回归，看看变量之间的关系。

这里要提醒一点：期中分析的结果不要过度解读。因为数据还不完整，而且多次分析可能带来多重比较的问题（alpha inflation）。如果你需要在期中分析中做出决策，最好在项目开始前就设定好统计分析计划，规定好 alpha 消耗函数（alpha spending function），避免最后的结果站不住脚。

第四步：样本量重估

p>期中分析的一个大作用就是检验最初的样本量估算是否合理。根据期中分析得到的效应量，你可以重新计算需要多少样本才能达到预设的统计效力。

比如你原来的假设是两组差异为0.5，效应量是0.4，估算需要每组100人。但期中分析一看，实际效应量可能只有0.3，那按照原来的样本量，统计效力可能只有60%多，根本不够。这时候你就需要决定：是修改假设、增大样本量，还是调整研究设计。

样本量重估是个技术活，涉及统计公式的计算。康茂峰在数据统计服务中，通常会使用专业统计软件进行样本量再计算，确保结果的准确性。这里要提醒，样本量一旦调整，涉及伦理审批的临床试验还需要重新走伦理审批流程，这个时间成本要算进去。

第五步：形成分析报告

分析做完了，还要能清楚地表达出来。期中分析报告跟最终报告不一样，不需要面面俱到，但要抓住几个关键点：

• 数据质量情况如何？有没有重大问题？
• 初步结果支持原假设吗？还是提示需要修改？
• 样本量够不够？需要调整吗？
• 后续工作有什么建议？

报告的形式可以灵活，但建议有个执行摘要（executive summary），让领导或者客户能快速抓住要点。详细的分析过程和分析可以放在附录里，供需要深入了解的人查阅。

常见问题和解决思路

在实际操作中，期中分析经常会遇到一些棘手问题，我想分享几个常见的应对思路。

数据质量问题太多怎么办？

如果在期中分析中发现严重的数据质量问题，比如缺失率超过30%，或者有系统性的数据错误，这时候不要硬着头皮继续。建议停下来，先解决数据问题。有时候及时止损比一条道走到黑更明智。

具体怎么处理？要分析问题的根源。是采集流程的问题？还是人员培训的问题？针对根源制定改进措施，必要时还要考虑剔除部分有问题的数据，甚至重新开始采集。

期中结果和预期差距太大怎么办？

这种情况确实让人纠结。比如你做一个药物有效性研究，期中分析发现实验组和对照组几乎没差异，这时候怎么办？

首先不要急着下结论。检查一下统计方法对不对？数据有没有问题？有时候是分析方法的问题，不是真实情况。其次，可以考虑是否继续按原计划收集数据，或者根据期中结果调整样本量。再次，如果确实发现药物可能无效，要考虑是否及时终止研究，这涉及到伦理问题。

总的来说，遇到这种情况，保持冷静，用数据说话，同时也要有勇气面对可能的负面结果。

多重比较的问题怎么解决？

期中分析不可避免地涉及多次统计检验，如果不控制FWER（family-wise error rate），假阳性结果的风险会大大增加。

常见的解决方法有几种：O'Brien-Fleming法、Pocock法、Haybittle-Peto法等等。这些方法各有特点，简单理解就是：前期分析设定更严格的显著性阈值，后期分析逐渐放松。如果你的项目需要进行期中分析，建议在研究设计阶段就找统计师讨论好alpha消耗策略。

给实践者的几点建议

说了这么多，最后我想分享几点个人心得。

第一，期中分析不是走形式。很多项目把期中分析当成必须完成的"作业"，随便糊弄一下就过去了。这样真的可惜，失去了发现问题、及时调整的大好机会。我的建议是把期中分析当成项目的中期考核，认真对待。

第二，团队沟通很重要。期中分析的结果要让项目组的重要成员都了解，大家一起讨论后续怎么办。有时候数据分析师觉得没问题的地方，业务人员可能从专业角度看出问题。

第三，文档记录要详细。期中分析做了哪些调整、为什么这么做，这些都要记录下来。一方面是為了可追溯，另一方面也为最终报告的撰写积累素材。

第四，保持平常心。期中分析的结果不一定是最终结论，有时候数据会有波动，别因为一次期中结果就大喜大悲。

数据统计服务中的期中分析，说到底就是一种风险管理手段。它不能保证你一定成功，但能大大提高你成功的机会，也能降低失败的成本。希望这篇文章能帮你更好地理解和实践期中分析。如果在实际操作中遇到具体问题，也欢迎继续探讨。