统计百科 · 2026-06-24

等效性检验TOST是什么？如何用双单侧检验证明两组没有实质差异

统计百科：等效性检验（TOST）用双单侧t检验证明两组差异在等效界值内，是临床非劣效与仿制药研究的核心方法。本文解释TOST原理、等效界值设定、与传统零假设检验的区别，并给出可直接引用的APA 7th报告句式。

传统统计检验的逻辑是"找差异"：p < .05 表示两组不同。但有时研究目标恰恰相反——需要证明两种干预、两种测量方法或两个版本之间在实践上没有实质差异。这时"不显著"并不等于"等效"，需要换一套逻辑：等效性检验（Equivalence Testing），核心方法是 TOST（Two One-Sided Tests，双单侧检验）。本文从原理到 APA 格式报告一步步拆解。

一、为什么"p > .05"不能证明等效？

这是初学者最常犯的逻辑错误。

传统零假设显著性检验（NHST）的零假设是"两组均值相等"，备择假设是"两组不等"。当 p > .05 时，我们只能说"无法拒绝零假设"，不能说"证明了两组相等"。原因很简单：

样本量太小 → 检验功效不足 → 即使真有差异也可能检测不到
p > .05 可能只是噪声掩盖了真实差异，而不是"差异不存在"

证明等效需要一套独立的检验框架，把"等效"作为备择假设，把"有实质差异"作为零假设来拒绝。

二、TOST 的核心思路：等效界值 + 双单侧检验

等效界值（Equivalence Bounds）

等效性检验的第一步是研究者事先确定一个等效界值 $\Delta$（delta），也写作 $[-\delta_L, \delta_U]$（允许非对称）。

等效界值的含义是：如果两组的真实差异落在此区间内，就认为差异在实践上可忽略。

例如，比较仿制药与原研药的血浆浓度（AUC），若差异在 ±20% 以内认为等效，则 $\Delta = 20%$。等效界值不由统计决定，由专业知识、临床意义或测量精度决定，需在方案阶段预先设定。

TOST 的逻辑

设两组均值差为 $\mu_1 - \mu_2$，TOST 同时检验两个单侧假设：

检验 1（下界）： $H_{01}: \mu_1 - \mu_2 \leq -\delta \quad \text{vs} \quad H_{a1}: \mu_1 - \mu_2 > -\delta$

检验 2（上界）： $H_{02}: \mu_1 - \mu_2 \geq +\delta \quad \text{vs} \quad H_{a2}: \mu_1 - \mu_2 < +\delta$

只有当两个单侧检验都显著（即两个 p 值均 < alpha），才拒绝"有实质差异"的零假设，得出等效性结论。

直觉理解：TOST 等价于检查观测差异的双侧置信区间是否完全落在等效界值 $[-\delta, +\delta]$ 内。

$\text{等效成立} \iff \text{CI}_{1-2\alpha}[\mu_1 - \mu_2] \subseteq [-\delta, +\delta]$

注意此处用的是 $(1-2\alpha)$ 置信区间（alpha = .05 时用 90% CI），不是常规的 95% CI。

三、TOST 与传统检验的对比

维度	传统 NHST（差异检验）	TOST（等效性检验）
零假设	两组相等（差异 = 0）	差异 >= 等效界值（存在实质差异）
备择假设	两组存在任意差异	差异 < 等效界值（等效）
目标	发现差异	证明等效
显著结论	两组不同	两组等效
不显著结论	不能证明等效	不能证明等效（统计功效不足）
置信区间	95% CI 不含 0 → 显著	90% CI 完全含于 $[-\delta, +\delta]$ → 等效
样本量需求	取决于期望效应量	取决于等效界值与期望效应量
典型应用	实验效果验证、组间比较	仿制药、方法学验证、可重复性研究

四、等效界值如何设定？

等效界值的设定是 TOST 的最关键决策，必须在数据收集前预先确定，事后调整等效界值是一种 p-hacking。

常见设定方法

1. 基于临床/实践意义（最推荐）

由领域专家判断：差异小到什么程度在实践中无意义？

仿制药研究：FDA/EMA 规定 AUC 和 Cmax 的等效界值为 ±20%（即 0.80–1.25 倍）
心理测量：量表两种测量形式的相关性 > .90，均值差 < 0.5 个标准差

2. 基于效应量标准（Cohen，1988）

将"小效应"下限作为等效界值，常用 d = 0.2（0.5 个标准差的 40%）。

$\delta = 0.2 \times \sigma_{pooled}$

Cohen 的 d = 0.2 对应"可被研究者主观察觉但实践意义有限"的差异，是心理学与社会科学中最常见的等效界值基准。Lakens（2017）建议将 d = 0.5 的效应作为上界等效标准（half of a medium effect），即 $\Delta = \pm 0.5\sigma$。

3. 基于历史数据或参考区间

用既往测量误差或参考人群变异的某一分数位作为界值。

等效界值报告规范

方法章节必须：

明确报告等效界值数值（原始单位 + 标准化单位）
说明界值的来源和理由（理论依据/文献/专家共识）
说明使用了 TOST 还是单侧等效性检验（非劣效）

五、非劣效检验：等效性的单侧版本

等效性检验是双侧的（既不能太高也不能太低），而**非劣效检验（Non-inferiority Testing）**是单侧的：只要求新方法不比参照方法差超过一定界值。

$H_0: \mu_{new} - \mu_{ref} \leq -\delta \quad \text{vs} \quad H_a: \mu_{new} - \mu_{ref} > -\delta$

非劣效检验只检验一个方向，使用单侧 alpha（通常 .025）和对应的单侧置信区间（95% CI 下界 > $-\delta$）。

等效 vs 非劣效的选择：

等效性检验（TOST）：不允许新方法既不能太差也不能太好（如仿制药不得过强）
非劣效检验：允许新方法更好，只要不明显更差（如新手术方式 vs 传统方式）

两者在临床试验中均受 ICH E9(R1) 和 FDA 指南规范，统计分析计划（SAP）中需预先说明。

六、样本量：TOST 需要多少数据？

TOST 的功效（power）依赖于四个参数：

等效界值 $\delta$（越严格，需要越大样本）
真实效应量（假设两组实际差异 = 0 或某个小值）
显著性水平 alpha（通常 .05，每个单侧检验独立以 alpha = .05 判断，对应 90% CI）
目标功效（通常 80% 或 90%）

直觉规律：等效性检验通常比差异检验需要更大样本，因为等效界值（如 d = 0.2）比典型差异效应量（d = 0.5）更小，信噪比更低。

使用 R 的 TOSTER 包可计算：

library(TOSTER)
power_t_TOST(alpha = .05, delta = 0, eqb = 0.2,
             power = 0.80, type = "two.sample")

七、APA 7th 报告模板

方法章节描述模板

采用双单侧检验（TOST; Schuirmann，1987）评估[A组]与[B组]的等效性。
等效界值设定为 delta = [值]（[单位]；对应标准化效应量 d = [值]），
依据[来源（如 FDA 指南/Cohen 1988/专家共识）]。
采用独立样本 t 检验框架进行 TOST，每个单侧检验均以 alpha = .05 判断显著性，
等效性结论基于 90% 置信区间完全落于等效界值内。

结果报告模板（等效成立）

TOST 检验结果显示，[A组]（M = X.XX，SD = X.XX）与[B组]
（M = X.XX，SD = X.XX）的均值差为 X.XX（95% CI [X.XX, X.XX]；
90% CI [X.XX, X.XX]），两个单侧检验均显著：
t([df]) = X.XX, p = .XXX（下界）；t([df]) = X.XX, p = .XXX（上界）。
90% 置信区间 [X.XX, X.XX] 完全落于预设等效界值 [-X.XX, +X.XX] 内，
达到统计等效性标准（Cohen's d = X.XX；dz = X.XX，alpha = .05）。

结果报告模板（等效不成立）

TOST 检验未能建立等效性：[A组]与[B组]均值差的 90% 置信区间
[X.XX, X.XX] 未完全落于等效界值 [-X.XX, +X.XX] 内
（下界 t([df]) = X.XX, p = .XXX；上界 t([df]) = X.XX, p = .XXX）。
现有数据不足以得出两组在[测量指标]上等效的结论。

完整填值示例

采用双单侧检验（TOST; Schuirmann，1987）评估治疗组与控制组在工作记忆得分上的等效性，等效界值预设为 $\delta = 3$ 分（对应 Cohen's d = 0.30），依据 Cohen（1988）小效应标准。治疗组（M = 52.4，SD = 10.1）与控制组（M = 51.1，SD = 9.9）均值差为 1.3 分，90% CI [−0.3, 2.9]（n = 200/组，SE = 1.00）。两个单侧检验均显著：下界检验 t(398) = 4.30，p < .001；上界检验 t(398) = 1.70，p = .045。90% 置信区间 [−0.3, 2.9] 完全落于等效界值 [−3, +3] 内，两组在工作记忆得分上达到统计等效性标准，Cohen's d = 0.13（95% CI [−0.05, 0.31]），alpha = .05。

八、在 ChatSRS 一句话完成 TOST 等效性检验

打开 chatsrs.com，上传数据后输入：

对治疗组和控制组的工作记忆得分做等效性检验（TOST），等效界值设为 delta = 3 分（对应 Cohen's d = 0.20），显著性水平 alpha = .05；输出两个单侧检验的 t 值、p 值，以及 90% 置信区间，并说明等效性是否成立；给出可直接引用的 APA 7th 格式报告段落。

ChatSRS 调用 R 引擎（TOSTER 包）自动完成计算，输出等效界值图（置信区间 vs 等效带）和完整报告段落，含方法与结果两节，可直接复制进论文。

九、常见 FAQ

Q：TOST 和传统 t 检验能同时报告吗？

A：可以，而且有时必须同时报告。同时报告 NHST t 检验（检验是否有差异）和 TOST（检验是否等效）可以区分四种情况：(1) 有差异且不等效（NHST 显著，TOST 不显著）；(2) 无实质差异且等效（NHST 不显著，TOST 显著）；(3) 两者都不显著（样本量不足，结论不确定）；(4) 两者都显著（差异显著但落在等效区间内，理论上罕见但可能发生于极大样本）。Lakens 等（2018）将这种双报告框架称为"two-tailed NHST + TOST"，是现代可重复性研究的推荐实践。

Q：等效界值必须对称吗？

A：不必须。非对称等效界值 $[-\delta_L, +\delta_U]$ 在药代动力学（如 FDA 要求 AUC 等效界限为 0.80–1.25，原始比值尺度上 +25% vs −20% 并不对称，但对数变换后恰好完全对称：$\ln(1.25) = 0.2231$，$\ln(0.80) = -0.2231$，因为 $1.25 = 1/0.80$，区间变为完全对称的 $[-0.2231, +0.2231]$）和某些临床场景中很常见。TOSTER 包的 tost() 函数支持设定 low_eqbound 和 high_eqbound 为不同值。报告时需分别写明上下界数值。

Q：TOST 的置信区间为什么用 90% 而不是 95%？

A：TOST 使用 $(1-2\alpha)$ 置信区间，当 alpha = .05 时为 90% CI。原因是：等效性结论要求两个单侧检验（各 alpha = .05）同时显著，等价于观测效应的 $(1-2\alpha) = 90%$ CI 完全位于等效界值内。若使用 95% CI，等价于双侧 alpha = .025，检验更保守（更难得出等效结论）。仿制药研究中有时使用 alpha = .05（对应 90% CI），有时使用 alpha = .025（对应 95% CI），需遵循监管要求。

Q：等效性检验对样本量的要求比差异检验更高吗？

A：通常是的。当等效界值设为 $d = 0.20$（小效应）、目标功效 80% 时，独立样本 TOST 约需每组 $n \approx 198$ 人；而同等 alpha = .05、power = 80% 下，NHST 检验 d = 0.20 的差异需每组约 393 人（因差异检验是双侧，而 TOST 每个单侧检验已各用 alpha = .05）。即对于小效应量，等效性检验反而比差异检验需要更少样本——但当真实效应不为零（如真实 d = 0.10 而界值设为 d = 0.20）时，TOST 所需样本量会显著增加。建议使用 TOSTER::power_t_TOST() 或 G*Power 在方案阶段计算所需样本。

Q：仿制药研究的 80–125% 等效界值是怎么来的？

A：FDA（1992）和 EMA 指南规定，仿制药的 AUC 和 Cmax 几何均值比（仿制/原研）的 90% CI 必须落在 80%–125% 范围内，该数值经过对数变换后对应 $[-\ln(1.25), +\ln(1.25)] \approx [-0.223, +0.223]$。这一界值并非来自纯粹统计推导，而是基于监管机构对临床可接受差异的判断，历经数十年的临床实践验证。不同器官系统的药物、不同监管机构（FDA/EMA/PMDA）可能采用不同界值。