KNOWECON WIKI

ARTICLE

Fisher精确检验

Fisher精确检验 (Fisher's Exact Test) Fisher精确检验 (Fisher's Exact Test)，又称Fisher精确概率法，是由英国统计学家Ronald Fisher于1935年提出的一种假设检验方法。它专门用于分析列联表（Contingency Table）中两个分类变量之间的关联性，尤其适用于小样本情境。与卡方检验（C

浏览 4 更新 2025-10-26

Fisher精确检验 (Fisher's Exact Test)

Fisher精确检验 (Fisher's Exact Test)，又称Fisher精确概率法，是由英国统计学家Ronald Fisher于1935年提出的一种假设检验方法。它专门用于分析列联表（Contingency Table）中两个分类变量之间的关联性，尤其适用于小样本情境。与卡方检验（Chi-squared Test）不同，Fisher精确检验不依赖大样本近似，而是直接通过超几何分布（Hypergeometric Distribution）计算精确的p值，因此被称为"精确"检验。该检验的提出源于Fisher对孟德尔遗传学和实验设计的研究，是数理统计在小样本推断领域的重要里程碑。

适用场景与核心问题

Fisher精确检验最常见的应用场景是分析2×2列联表，即两个二分类变量（每个变量只有两个水平）构成的四格表。例如：研究某种药物是否与治疗效果相关，将病人分为"服药组/安慰剂组"和"有效/无效"四类。当样本量较小（例如任一格子的期望频数小于5）时，卡方检验的近似效果不佳，此时Fisher精确检验成为首选。该检验也适用于更一般的r×c r \times c 列联表，但计算复杂度随之大幅上升。

该检验的零假设（H0 H_0 ）为：行变量与列变量之间相互独立，即两个分类变量不存在关联。备择假设（H1 H_1 ）为：两变量之间存在关联。与大多数统计检验一样，研究者根据p值是否小于预先设定的显著性水平（通常为0.05或0.01）做出判断。

超几何分布与精确p值的计算

Fisher精确检验的核心数学基础是超几何分布。对于一个2×2列联表：

| | 成功 | 失败 | 合计 | |-------|------|------|------| | 组A | a a | b b | a+b a+b | | 组B | c c | d d | c+d c+d | | 合计 | a+c a+c | b+d b+d | n n |

在行合计和列合计都固定的条件下，表中左上角的值 a a 服从超几何分布。观察到特定 a a 值的概率由下式给出：

P(X=a)=(a+ba)(c+dc)(na+c)=(a+b)!(c+d)!(a+c)!(b+d)!a!b!c!d!n!P(X = a) = \frac{\binom{a+b}{a} \binom{c+d}{c}}{\binom{n}{a+c}} = \frac{(a+b)!(c+d)!(a+c)!(b+d)!}{a! b! c! d! n!}

Fisher的思想是：在边际合计固定的前提下，所有可能的列联表构成一个概率空间。p值等于在当前数据以及所有更极端（更偏离零假设）的列联表下，对应概率之和。若p值小于显著性水平（通常取0.05），则拒绝零假设，认为两变量存在显著关联。这一逻辑与似然比检验（Likelihood Ratio Test）有相通之处，都是通过比较观测结果与零假设下预期结果的偏离程度来做出推断。

单侧检验与双侧检验

Fisher精确检验既可以做单侧检验（One-tailed test），也可以做双侧检验（Two-tailed test）。

单侧检验的p值计算方式为：将当前表中格子a a 的值记为a0 a_0 ，将所有小于等于a0 a_0 （或大于等于a0 a_0 ，取决于方向）的表格概率累加。例如，若备择假设是"组A的成功率高于组B"，则仅计算a≥a0 a \geq a_0 的概率。单侧检验统计功效更强，但要求研究者事先明确关联方向。

双侧检验更常见且更保守，其p值定义为：所有概率小于或等于当前表格概率的表格的概率之和。即：

p=∑P(X)≤P(a0)P(X)p = \sum_{P(X) \leq P(a_0)} P(X)

这一方法被称为"概率叠加法"，它不要求对称性，适用于任意2×2列联表。双侧检验的p值通常约为单侧检验的两倍，但并非严格如此，因为超几何分布不一定对称。

计算示例

考虑一个经典案例：某新药临床试验中，治疗组5人中有4人痊愈，对照组5人中仅有1人痊愈。列联表如下：

| | 痊愈 | 未愈 | 合计 | |-------|------|------|------| | 治疗组 | 4 | 1 | 5 | | 对照组 | 1 | 4 | 5 | | 合计 | 5 | 5 | 10 |

在边际合计（5, 5, 5, 5）固定的条件下，左上角a a 的可能取值为0到5。当前表格a=4 a=4 的概率为：

P(a=4)=5!5!5!5!4!1!1!4!10!=25252≈0.0992P(a=4) = \frac{5!5!5!5!}{4!1!1!4!10!} = \frac{25}{252} \approx 0.0992

更极端的情况是a=5 a=5 ，其概率为：

P(a=5)=5!5!5!5!5!0!0!5!10!=1252≈0.00397P(a=5) = \frac{5!5!5!5!}{5!0!0!5!10!} = \frac{1}{252} \approx 0.00397

因此，单侧检验（治疗组更优方向）的p值为 P(a=4)+P(a=5)≈0.1032 P(a=4) + P(a=5) \approx 0.1032 。若取显著性水平0.05，则不能拒绝零假设，即没有足够证据表明该药物显著有效。这一结果直观反映了小样本下统计检验的局限性——即使效应看起来很大，样本量过小仍可能导致结果不显著。若将样本扩大至每组20人且保持相同比例，结果很可能变为显著。

与卡方检验的比较

Fisher精确检验与卡方检验的核心区别在于方法论。卡方检验基于χ²统计量在大样本下近似服从χ²分布的渐近性质，而Fisher精确检验直接枚举所有可能情况并计算精确概率。当样本量较小时，卡方检验的近似效果差，容易产生第一类错误（错误拒绝零假设）的偏差；Fisher精确检验则无此问题，因此在小样本条件下更为可靠。

然而，Fisher精确检验的主要代价是计算复杂度。对于2×2表，手动计算尚可接受；但对于更大的列联表（如3×3、4×4），枚举所有可能表格的组合数呈指数级增长，早期只能局限于2×2表。随着计算机性能的提升，现代统计软件（如R语言、Python(SciPy)、SPSS等）已能高效地执行Fisher精确检验，甚至推广到r×c r \times c 列联表，称为Freeman-Halton扩展。此外，蒙特卡洛模拟（Monte Carlo Simulation）方法也被用于近似计算更复杂表格的精确p值。

历史背景

Fisher精确检验最早由Ronald Fisher在其1935年著作《实验设计》（The Design of Experiments）中提出。Fisher以著名的"品茶女士"（Lady Tasting Tea）实验为例阐述了这一方法：一位女士声称能够辨别奶茶是先加茶还是先加牛奶的顺序，Fisher设计了8杯茶（4杯先茶后奶、4杯先奶后茶）来检验她的能力。这一经典案例不仅展示了Fisher精确检验的用法，也奠定了现代随机化实验（Randomized Experiment）的理论基础。

局限性

尽管名为"精确检验"，Fisher精确检验也有其局限性。第一，它假定行合计和列合计均为固定值，这一假设在部分研究设计中并不自然，例如观察性研究（Observational Study）中边际合计往往并非事先固定；第二，对于大样本数据，计算量巨大，此时卡方检验是更高效的选择；第三，该方法倾向于保守性（Conservative），即实际的显著性水平往往低于名义水平，这可能导致检验功效（Power）降低；第四，对于2×2列联表，存在更优越的中性无偏检验（如Mid-p检验）可作为替代。

应用领域

Fisher精确检验广泛应用于生物统计学、医学研究、遗传学、社会科学以及自然语言处理等领域。凡是涉及小样本分类数据分析的场景，Fisher精确检验都是不可或缺的标准工具。在生物信息学中，Fisher精确检验常被用于基因表达数据的富集分析（Enrichment Analysis），以判断特定基因集是否在某生物通路中显著富集。在机器学习的特征选择任务中，它也用于评估分类变量与目标变量之间的独立性。