整群随机干预试验(cluster randomized intervention trial)的特征是随机分配群(如家庭、学校、诊所等)而不是分配个体到干预组和对照组。如果在分析此类数据时忽略群内个体的相似性,对干预效应的估计影响不大,但会低估干预效应的标准误,从而增大了犯第一类错误的机会。但在检索国内外关于整群干预试验的文献时,却发现许多分析忽略了内部相关性(如采用独立t检验来分析整群干预试验)。本研究通过公式推导和蒙特卡洛模拟研究给出以往研究近似的正确结果,并且进一步给出样本量和内部相关系数对整群干预试验以下几方面的影响。首先,通过公式推导、模拟实验、图像解读的方式给出了均衡设计的整群干预试验中样本量和内部相关系数是如何影响independent-t-test(即利用独立t检验来分析整群干预试验)和cluster-t-test(即利用整群t检验来分析整群干预试验)的分析结果,并同时给出了独立t检验统计量与整群t检验统计量的关系式。一方面得到:当独立t检验无统计学意义时,整群t检验也一定无统计学意义。另一方面给出:对于同一个整群干预试验,如错误使用独立t检验时其正确整群t检验的近似结果。最后,通过模拟研究得到:即使内部相关系数很小但如果群内数较多,两种分析方法的差异仍旧很大(即当设计效应(DE)大于1.1后,对结果有直接的影响)。同时,群数对结果有一定的影响,对于相同的设计效应,增大群数m会减少两种分析方法结果之间的差距,但当每个条件下的群数大于10后,两结果求解的差异变化不大。其次,通过模拟实验评估非均衡设计整群干预试验中样本量和内部相关系数对整群试验干预效应推断的影响。为调整不均衡因素的影响,我们采用加权的整群t检验(群内数加权法、最小方差加权法、相等权重加权法),并给出了不同加权方法的适应条件。结果显示(1)不均衡程度对独立t检验的影响并不是很大,反而设计效应对不同分析方法影响较大;当设计效应小于1.1时,独立t检验与三种加权方法的整群t检验结果接近。(2)不均衡程度对不同加权方法有定的影响,当群内数接近均衡设计时(不均衡程度较小),3种加权方法的结果比较相近且比较好。但是当群内数不均衡程度较大时,仅当设计效应比较小(DE<1.4),3种加权方法的结果相近,且此时有群内数加权法略优于相等权重法。但是当设计效应比较大时(DE>1.4),群内数加权方法并不理想。(3)最小方差加权法在任何条件下都比较稳定,建议使用。(4)当群内数大于100时,相等权重加权法和最小方差加权法得到的结果几乎一致。再次,本研究通过Monte Carlo模拟给出了样本量和内部相关系数对混合效应模型(mixed effects model)中干预效应推断的影响。一般来说,混合效应模型中参数的估计以似然估计(ML)或限制似然估计(REML)为主。而对于干预效应的推断,可以用Wald卡方检验,或以此为基础的近似t检验。并且,对于t检验SAS的PROC MIXED程序中有不同的自由度选择。模拟结果显示:干预组和对照组群数大于20时,可提高干预效应推断的卡方检验的可信区间覆盖率并减少一类错误。群自由度法优于其他两种方法,但当每组群数大于25时,PROC MIXED中不同检验的结果接近。因此,群数是影响干预效应推断的最重要因素,而PROC MIXED程序的t检验要选择恰当的自由度。最后,通过Monte Carlo模拟给出了在单因素随机效应模型中,样本量和内部相关系数如何影响随机效应的方差估计。模拟实验利用SPSS的MIXED程序,用REML方法求得随机效应的方差估计值。结果显示:内部相关系数对随机效应的方差估计影响较大;当ρ>0.5时,其估计效果比较好,当ρ<0.09时,估计效果相对较差。群数增大可减小可信区间长度,群内数增大(如大于30)可让可信区间覆盖率接近95%名义水平。另外,群数、群内数和内部相关系数存在交互作用。通过本研究,我们可以掌握样本量和内部相关系数如何影响独立t检验和整群t检验,并了解两者差异随参数的改变。同时,研究也阐明样本量和内部相关系数对干预效应推断和随机效应的方差估计的影响。