摘要
背景 在健康研究中，即使分析相同的数据，建模决策的变异性也可能导致不同的结论，这一挑战被称为推断可重复性问题。在线性回归分析中，对关键假设（如残差的正态性和线性）的错误处理可能会破坏可重复性。本研究探讨了当重新分析相同数据时，这些假设的违反如何影响推断结论。
方法 我们从2019年发表的报告了线性回归方法的健康相关《PLOS ONE》论文中随机抽样95篇。43篇论文有可用数据，其中20篇被评估计算可重复性，每篇评估三个模型。然后，我们对包含至少部分计算可重复模型的14篇论文进行了推断可重复性评估。为评估假设违反的影响，我们比较了系数、95%置信区间和模型拟合的差异。
结果 在评估的14篇论文中，仅有3篇具有推断可重复性。最常违反的假设是正态性和独立性，各自在8篇论文中出现。独立性违反尤其具有实质性影响，并且通常与推断失败相关。尽管重分析结果通常保留了与原始研究相同的二元统计显著性分类，但置信区间往往更宽，表明不确定性更大且精确度降低。这种不确定性可能影响结果的解释，进而影响治疗决策和临床实践。
结论 我们的研究结果表明，关键建模假设的重大违反经常未被作者和同行评审者发现，并且在许多情况下与推断可重复性失败相关。这凸显了加强统计教育和提高建模决策透明度的必要性。研究人员不应应用僵化或错误的规则（例如错误地测试结果变量的正态性），而应采用由研究问题和研究设计指导的建模框架。当假设被违反时，应考虑适当的替代方法，如稳健方法、自助法、广义线性模型或混合效应模型。鉴于即使在相对简单的回归模型中假设违反也很常见，早期并持续与统计学家合作对于支持稳健、可辩护且具有临床意义的结论至关重要。
利益冲突声明
作者声明不存在利益冲突。
资助声明
本研究除参加学术会议外无其他费用。这些费用由昆士兰科技大学健康学院为第一作者提供的博士生经费和奖学金承担。澳大利亚统计学会(SSA)和跨学科元研究与开放科学协会(AIMOS)为第一作者提供了参加各自会议的旅行补助。这些奖学金并未影响研究结果。资助方在研究设计、数据收集和分析、发表决定或论文准备方面没有任何作用。
作者声明
我确认已遵守所有相关伦理准则，并获得了任何必要的IRB和/或伦理委员会批准。
是
提供批准或豁免本研究描述的IRB/监督机构的详细信息如下：
本研究的目的是重现那些公开其数据的出版物中的统计结果。发表在《PLOS ONE》上的论文的作者被认为通过同意该期刊的数据共享政策而隐含同意。本研究获得了昆士兰科技大学人类研究伦理委员会(批准编号:2000000458)的低风险伦理批准。
我确认已获得所有必要的患者/参与者同意，并存档了适当的机构表格，且包含的任何患者/参与者/样本标识符都不为研究组外部的任何人(例如，医院工作人员、患者或参与者本人)所知，因此无法用于识别个人。
是
我了解所有临床试验和任何其他前瞻性干预研究必须在ICMJE认可的注册机构(如ClinicalTrials.gov)注册。我确认手稿中报告的任何此类研究均已注册，并提供了试验注册ID(注：如果发布事后注册的前瞻性研究，请在试验ID字段中提供说明为何未提前注册的声明)。
是
我已遵循所有适当的研究报告指南，如任何相关的EQUATOR Network研究报告清单和其他相关材料(如适用)。
是
数据可用性
用于生成本论文的数据和可重复的R Quarto文件，包括表格、图表和代码，已存储在GitHub仓库中，并可通过Zenodo doi引用。
【全文结束】