easystats 医学统计：R 模型诊断、效应量、贝叶斯结果和论文报告

easystats 的价值在模型解释，而不只是多装几个 R 包

easystats 有曝光但点击不足，页面要直接回答医学科研用户的核心疑问：我已经会跑 R 模型，为什么还需要它？答案是把模型诊断、效应量、参数解释和结果报告变得更可复核。

• 适合：已经用 R 做回归、贝叶斯模型或复杂统计报告的用户。
• 不适合：完全不写代码、只做基础 t 检验和 ANOVA 的用户；这类可先看 JASP 或 jamovi。
• 投稿价值：帮助把“跑出模型”推进到“解释模型、报告模型、复核模型”。

相关入口：统计检查清单、JASP 工具页、jamovi 工具页。

这个工具解决什么问题

easystats 是面向 R 用户的统计包生态，而不是单个点选式统计软件。它主要处理模型拟合之后的工作，包括参数整理、模型诊断、效应量计算、贝叶斯结果解释和图形化展示。

医学研究中，模型能够成功运行并不代表分析已经完成。研究者还需要确认变量编码是否正确、估计值如何解释、区间如何报告、模型假设是否合理，以及结果能否由其他成员复核。

easystats 将 parameters、performance、effectsize、bayestestR 和 see 等工具放在相互衔接的生态中。研究者可以把这些步骤写入 R 脚本，减少手工复制回归系数、转换比值比和制作图表时的操作错误。

适合的医学科研场景

在临床队列研究中，研究者常用线性回归、logistic 回归、Poisson 回归或混合效应模型分析暴露因素与结局的关系。parameters 可以帮助整理估计值、标准误、置信区间和 p 值，便于制作主表或补充表。

对于 logistic 回归，研究者通常需要报告 OR 及其区间，而不是只复制模型系数。输出是否需要指数化、参考组如何设定、连续变量是否需要标准化，都应结合模型设定和统计分析计划核对，不能只依赖默认输出。

在随机对照试验、前后对照研究和小样本干预研究中，单独报告 p 值往往不足以说明实际差异。effectsize 可以辅助计算 Cohen's d、Hedges' g 或其他相关效应量，但具体指标必须与结局类型、设计和估计方法匹配。

在多中心研究、重复测量研究和真实世界数据分析中，混合效应模型可以处理中心差异、层级结构或个体内相关。performance 可用于辅助检查模型表现，parameters 可用于整理固定效应和部分随机效应信息。

在贝叶斯医学统计中，bayestestR 可以辅助整理后验区间、ROPE 和 Bayes factor 等结果。它有助于表达不确定性，但不能替代先验设定、链收敛检查、后验预测检验和敏感性分析。

模型诊断与结果复核

performance 提供了多种模型检查入口，例如共线性、残差、异常观测、过度离散和部分拟合表现检查。check_model 生成的图形适合作为分析复核的起点，也可以帮助课题组在讨论会中定位需要进一步查看的模型问题。

诊断函数的输出不能直接变成医学结论。异常点可能来自录入错误，也可能代表真实但少见的患者；共线性可能源于临床指标之间的合理相关；残差问题也可能提示结局分布、链接函数或变量形式需要重新考虑。

因此，使用 easystats 时应同时保留原始模型、变量处理记录、排除标准、诊断结果和敏感性分析。若分析涉及缺失数据、重复测量、竞争风险或复杂抽样设计，还需要使用适配的统计方法和专门包进行补充验证。

论文报告与可复现流程

easystats 的一个实际价值，是把统计分析和论文报告连接起来。研究者可以在脚本中统一提取估计值、区间和效应量，再将结果交给 gtsummary、gt、flextable 或其他表格工具排版。

建议将模型公式、数据清洗、包版本、随机种子、诊断判断和最终表格生成过程分开记录。这样在投稿返修时，可以快速确认某个数字来自哪一步，也能减少不同版本脚本之间的结果漂移。

如果课题组多人协作，可以为常见任务建立模板，例如临床 logistic 回归模板、混合效应模型模板和贝叶斯模型检查模板。模板应保留人工审核位置，明确哪些输出需要统计人员确认，不能把自动生成的表格视为最终结论。

不适合的情况与使用边界

easystats 不适合完全不写代码、只希望通过菜单完成基础检验的用户。对于描述性统计、基础 t 检验、卡方检验或简单 ANOVA，JASP、jamovi 和 GraphPad Prism 可能更容易上手，但它们与 R 工作流的衔接方式不同。

它也不适合在研究问题、主要结局、协变量、缺失数据处理和统计分析计划尚未确定时，直接用来选择模型。软件可以整理和检查结果，却不能替研究者决定因果问题、临床意义、样本量依据或偏倚控制策略。

对于复杂生存分析、竞争风险、倾向评分、因果推断、纵向缺失机制和机器学习模型，需要结合 survival、cmprsk、MatchIt、WeightIt、mice 或 tidymodels 等工具。是否适用应由研究设计和结局结构决定。

开始使用时的检查清单

• 先明确研究问题、主要结局、暴露变量、协变量和计划报告的效应量。
• 确认模型对象来自正确的函数，并检查因子参考组、单位、缺失值和变量变换。
• 使用 parameters 整理结果，使用 performance 检查模型，再由研究者解释诊断信息。
• 根据研究设计选择 effectsize 或 bayestestR 的指标，不把默认输出直接当作医学结论。
• 保存代码、包版本、模型输出和诊断记录，确保论文表格可以重新生成。

综合判断

对于已经熟悉 R 的医学科研用户，easystats 的重点不是替代建模软件，而是让模型拟合后的整理、检查和解释更稳定。它尤其适合需要批量分析、团队协作、补充材料和审稿回复的研究场景。

使用时应把它放在完整统计流程中：先制定分析计划，再拟合合适模型，随后进行诊断、效应量报告和敏感性分析，最后由具备统计与临床背景的研究者共同审核。这样的使用方式更符合医学研究对透明性和可复核性的要求。