内容来自：“小白学统计”微信公众号，感谢作者授权。

随着目前疫情的变化，国内据说已经开展了100多项关于病毒治疗的临床试验，而且有的似乎也得出了“有效”的结论。然而，越是在这种情况下，越是应该冷静，要用统计学的思想去解读治疗有效性的含义，而不是简单地去凭字面意思说是否有效。

先举个简单例子，有研究纳入了100例病例，随机分为两组，每组各50人。最后结果发现，试验组治疗有效10人，对照组治疗有效5人。很显然，从数据来看，两组的有效率分别为20%和10%，差值为10%。

这是不是个值得欢欣鼓舞的结果呢？表面来看，的确如此。你可以说，有效率差值达到了10%，试想一下，如果100人，相当于能多治好10人，1000人就可以多治好100人，而10000人就可以多治好1000人。这么一看，还真的很不错。

然而，实际中是不是如此呢？这就需要重提统计学中最基本也是最重要的一个概念：假设检验。

我们这里就直接通过一个模拟的例子来说一下这种情况。

假定有10000人（算作总体），在这总体的10000人中，有5000人在试验组，5000人在对照组，而且这两组的有效率都是20%（1000人有效，4000人无效）。也就是说，试验药是没有任何作用的，两组效果完全相同。

假定这就是实际情况，实际中一共就10000例病例，而且某药的治疗效果无效（两组有效率完全相同）。现实中由于各种条件所限，要做随机对照，总是不大可能把这10000例都获得，通常也就是获得一部分。

假定每个研究都有100例病例（当然也可以是其它例数，此处仅是举例），这100例也是随机分两组，每组50例。采用有放回的随机抽样，总共抽样1000次，每次都是100例（每组50例），让我们看看抽样的这1000次结果，他们的差值情况。