Fisher’s精确检验：小样本统计推断的黄金标准
深入解析2x2列联表分析，掌握医学、生物学及社会科学中的精确统计方法，解决卡方检验失效难题。
什么是 Fisher’s精确检验？
Fisher’s精确检验（Fisher's Exact Test）是一种在统计上分析分类数据（特别是2x2列联表）显著性的方法。由英国统计学家 Ronald A. Fisher 于1935年提出，最初用于分析一位女士品尝茶味道的实验（"女士品茶"实验）。
与依赖于大样本渐近理论的卡方检验（Chi-square test）不同，Fisher’s精确检验基于超几何分布，能够计算出确切的概率值（P值），因此特别适用于样本量小、频数低的数据集。在临床试验、基因关联分析及社会调查等场景中，当数据不满足卡方检验的假设条件时，Fisher’s精确检验往往是唯一可靠的选择。
- 医学研究：评估某种罕见药物对少量患者疗效的影响。
- 生物学：分析基因突变在实验组与对照组中的分布差异。
- 质量控制：小批量生产中的次品率对比分析。
- 市场调研：针对特定小众群体的偏好调查，样本量有限。
为什么选择 Fisher’s精确检验 而非卡方检验？
许多初学者在面对分类数据时，习惯性地使用卡方检验，但在某些情况下这会导致错误的结论。以下是两者的关键区别及选择策略。
| 特性 | 卡方检验 (Chi-Square) | Fisher’s精确检验 |
|---|---|---|
| 样本量要求 | 大样本（通常 n > 40） | 适用于所有样本量，尤其小样本 |
| 期望频数 | 所有单元格期望频数 ≥ 5 | 无限制，即使期望频数 < 1 也可用 |
| 计算原理 | 基于卡方分布的近似值 | 基于超几何分布的精确概率 |
| 计算速度 | 极快 | 样本量大时计算较慢（需算法优化） |
| 结果性质 | 渐近近似 | 精确概率 |
选择指南：何时使用？
✅ 使用卡方检验
当你的总样本量大于40，且所有单元格的期望频数都大于5时，卡方检验是高效且足够的选择。它在大数据集上计算速度极快，结果稳定。
✅ 使用 Fisher’s精确检验
当总样本量小于40，或任何单元格的期望频数小于5（特别是小于1）时，必须使用Fisher’s精确检验。它能提供真实的P值，避免假阳性或假阴性结果。
Fisher’s精确检验 的计算原理详解
理解Fisher’s精确检验的核心在于理解“固定边际总和”的概念。假设我们有一个2x2列联表：
| 组别 A | 组别 B | 合计 | |
|---|---|---|---|
| 事件发生 | a | b | a+b |
| 事件未发生 | c | d | c+d |
| 合计 | a+c | b+d | n |
超几何分布公式
Fisher’s精确检验假设行合计和列合计是固定的。在零假设（H0：两个变量独立，无关联）成立的前提下，观察到当前表格概率 P 由超几何分布公式给出：
P = [(a+b)! (c+d)! (a+c)! (b+d)!] / [n! a! b! c! d!]其中，! 表示阶乘。例如，5! = 5×4×3×2×1 = 120。
双侧与单侧P值
为了得到最终的P值，我们需要计算所有可能出现的、概率小于或等于当前观测表格概率的所有表格的概率之和。
- 单侧检验：只关心差异是否向一个方向偏离（例如，A组效果是否显著优于B组）。
- 双侧检验：关心差异是否向任意方向偏离（即A组与B组是否有显著差异，不论谁优谁劣）。这是大多数科学研究默认的选择。
假设我们研究两种药物对10名患者的疗效：
药物A：3人有效，2人无效
药物B：1人有效，4人无效
表格如下：
| 3 | 2 |
| 1 | 4 |
Fisher’s精确检验会计算在当前边际总和（行和：5,5；列和：4,6）下，出现这个表格以及更极端表格（如4,0 / 0,6 或 2,3 / 2,3等）的概率总和。如果这个总和（P值）很小（如<0.05），则拒绝零假设，认为两种药物疗效有显著差异。
实操指南：如何在主流软件中进行 Fisher’s精确检验？
手动计算Fisher’s精确检验非常繁琐，尤其是当表格较大时。以下是使用SPSS、R语言和Python进行计算的详细步骤。
SPSS 操作步骤
- 数据录入：将数据录入SPSS，包含三个变量：行变量、列变量和频数权重变量（Freq）。
- 加权个案：点击 数据(Data) -> 加权个案(Weight Cases)，选择“加权个案”，将频数变量选入“频率变量”框。
- 交叉表分析：点击 分析(Analyze) -> 描述统计(Descriptive Statistics) -> 交叉表(Crosstabs)。
- 设置统计量：将行和列变量放入对应框，点击右侧“统计(Statistics)”按钮，勾选“卡方(Chi-square)”。虽然叫卡方，但这里会同时输出Fisher的结果。
- 精确检验设置：点击“精确(Exact)”按钮，选择“精确(Exact)”或“蒙特卡洛(Monte Carlo)”（样本量大时用蒙特卡洛近似）。
- 运行：点击确定，在输出窗口查看“精确检验”表格中的“精确显著性(双侧)”。
R 语言代码示例
R语言内置了 fisher.test() 函数，使用极其简便。
# 创建2x2矩阵
data <- matrix(c(3, 2, 1, 4), nrow=2, byrow=TRUE)
rownames(data) <- c("DrugA", "DrugB")
colnames(data) <- c("Success", "Failure")
执行Fisher's精确检验
result <- fisher.test(data)
查看结果
print(result)输出结果将包含：
- p-value：双侧检验的P值。
- odds ratio estimate：优势比估计值。
- 95 percent confidence interval：优势比的95%置信区间。
对于RxC大表，可使用 fisher.test(data, simulate.p.value=TRUE, B=10000) 进行蒙特卡洛模拟。
Python 代码示例
使用 scipy.stats 库可以轻松完成计算。
from scipy.stats import fisher_exact
定义2x2列联表
[[a, b],
[c, d]]
oddsratio, p_value = fisher_exact([[3, 2], [1, 4]])
print(f"Odds Ratio: {oddsratio}")
print(f"P-value: {p_value}")
如果需要进行单侧检验，可以使用 alt='greater' 或 alt='less' 参数：
# 单侧检验：检验A组成功率是否显著高于B组
oddsratio, p_value = fisher_exact([[3, 2], [1, 4]], alternative='greater')Fisher’s精确检验 的历史演变
理论诞生
Ronald A. Fisher 在《Statistical Methods for Research Workers》中首次提出该方法，用于分析“女士品茶”实验，奠定了精确检验的基础。
计算机辅助
随着电子计算机的出现，手动计算阶乘变得可行，Fisher’s精确检验开始被广泛应用于医学和生物学研究。
算法优化
Mehta 和 Patel 开发了网络算法（Network Algorithm），大幅提高了大样本下精确检验的计算效率，使其在统计软件中得到普及。
蒙特卡洛模拟
对于超大型RxC表，蒙特卡洛模拟成为标准解决方案，允许在合理时间内获得高精度的P值估计。
常见问题解答 (FAQ)
Q1: 什么时候应该使用 Fisher’s精确检验 而不是卡方检验？
当样本量较小（通常总样本数n<40）或列联表中任何单元格的期望频数小于5（甚至小于1）时，卡方检验的近似性较差，此时应优先使用Fisher’s精确检验。它是基于超几何分布的精确计算方法，不依赖大样本渐近理论。
Q2: Fisher’s精确检验 的P值是如何计算的？
Fisher’s精确检验在固定边际总和的前提下，计算观察到当前数据以及更极端情况（即差异更大）的概率总和。它利用超几何分布公式，列出所有可能的列联表组合，计算每种组合发生的概率，然后将小于或等于当前观测概率的所有情况的概率相加，得到双侧或单侧P值。
Q3: Fisher’s精确检验 能否用于大于2x2的列联表？
可以。虽然最初是为2x2表设计的，但该方法已扩展至RxC（R行C列）列联表。对于较大的表格，由于可能的排列组合数量呈阶乘级增长，计算量巨大，通常需要使用蒙特卡洛模拟（Monte Carlo simulation）来近似计算P值，或者使用精确检验的渐近近似方法。
Q4: 在SPSS中如何进行 Fisher’s精确检验？
在SPSS中，进入'分析' -> '描述统计' -> '交叉表'。将变量放入行和列后，点击'统计'按钮，勾选'精确'选项（选择'精确'、'蒙特卡洛'或'双侧精确'）。点击确定运行后，在输出结果的'精确检验'表中即可看到Fisher’s精确检验的双侧和单侧P值。
Q5: Fisher’s精确检验 和 Barnard 检验有什么区别？
Barnard 检验也是用于2x2表的精确检验，但它不固定两个边际总和，只固定总样本量。理论上，Barnard 检验的效能略高于 Fisher's 精确检验，但计算更为复杂，且在双侧检验中存在一些争议。Fisher's 精确检验因其计算简便和广泛接受度，成为更常用的选择。
总结
Fisher’s精确检验是统计学工具箱中不可或缺的工具，尤其在小样本和稀疏数据领域具有不可替代的价值。它通过提供精确的概率估计，帮助研究者避免卡方检验在小样本下的偏差，确保统计推断的可靠性。
在实际应用中，建议首先检查数据的期望频数，若不符合卡方检验假设，应立即转向Fisher’s精确检验。结合优势比（OR）和置信区间，可以更全面地解读数据背后的统计意义。随着计算能力的提升，精确检验的应用范围也在不断扩大，成为现代数据分析中的重要组成部分。
希望本篇指南能帮助您深入理解并正确应用 Fisher’s精确检验。