1. 双样本圆形数据的双曲几何推断方法解析
在生物医学研究中，圆形数据（如角度、方向等周期性变量）的分析一直面临着独特的统计挑战。以眼科手术后的角膜散光轴位测量为例，这类数据不仅具有0-360度的周期性特征，其统计分布还同时受到位置参数（平均方向）和集中度参数（数据离散程度）的影响。传统方法通常将圆形数据投影到欧几里得空间进行处理，但这种做法往往会损失数据的固有几何特性。
1.1 圆形数据的临床背景与统计特性
角膜散光是白内障手术后常见的视觉质量问题，其轴位测量是典型的圆形数据。临床上，散光轴位通常记录为0-180度的角度值（由于散光的对称性，180-360度视为等效）。术后理想情况下，散光轴位应集中在0°、90°或180°附近，这些方向对应着临床上最容易矫正的规则散光类型。
在统计建模中，von Mises分布（圆形正态分布）是描述这类数据的标准选择，其密度函数为： f(θ|μ,κ) = [1/(2πI₀(κ))]exp[κcos(θ-μ)]
其中μ是平均方向，κ是集中度参数（类似正态分布的精度，κ=0对应均匀分布，κ越大分布越集中），I₀(·)是零阶修正贝塞尔函数。当我们需要比较两种手术技术（如VERTICS与SNARE）对散光轴位的影响时，就面临双样本圆形数据的比较问题。
关键提示：在圆形数据中，简单的角度算术平均毫无意义。例如，10°和350°的平均不是180°，而应是0°（通过向量平均计算）。这种特性使得传统t检验完全失效。
1.2 传统方法的局限性
Biswas等人(2016a)提出的方法代表了当前圆形数据双样本检验的主流思路：
- 基于余弦距离构建检验统计量：d₂(θ,0)=1-cosθ
- 利用von Mises分布的三角矩性质推导渐近正态检验
- 通过方差稳定化变换处理不等集中度情况
虽然这种方法在理论上严谨，但在实际应用中暴露出三个明显缺陷：
- 对小样本（n<30）的检验效能不足
- 当两组集中度差异较大时，检验稳定性下降
- 无法直观反映位置和集中度的联合差异
临床医生更希望看到的是：两种技术在"使散光轴位接近理想方向"这一临床目标上的整体效果差异，而不仅是统计显著性。这促使我们寻找更具几何直观性的推断框架。
2. 双曲几何与庞加莱圆盘模型
2.1 庞加莱圆盘的数学特性
双曲几何为圆形数据提供了自然的表示空间。具体到von Mises分布，我们可以将其参数(μ,κ)通过以下映射嵌入庞加莱圆盘D={z∈ℂ:|z|<1}： ξ = r(κ)e^(iμ)，其中r(κ)=κ/(1+κ)
这个映射具有以下关键性质：
- 边界对应：当κ→∞时，r(κ)→1，对应圆盘边界上的点，表示高度集中的分布
- 中心对应：κ=0时映射到圆心，表示均匀分布（无方向性）
- 连续性：小的参数变化导致小的圆盘位置变化
双曲距离的表达式为： d_H(ξ₁,ξ₂) = cosh⁻¹[1 + 2|ξ₁-ξ₂|²/((1-|ξ₁|²)(1-|ξ₂|²))]
2.2 几何直观的解释
想象将不同手术技术的效果分布"铺展"在一个弹性圆盘上：
- 点与圆心的距离反映手术效果的集中度（越远越集中）
- 点的角度方向对应平均散光轴位
- 两种技术的差异表现为两点间的双曲距离
这种表示法的优势在于：
- 同时编码了位置和集中度信息
- 双曲距离自然适应圆形数据的几何特性
- 临床关注的"接近目标方向"可直接量化为到特定半径的距离
3. 假设检验的几何框架
3.1 检验统计量构建
对于临床关注的特定目标方向μ₀（如散光分析中的0°），我们定义检验统计量为两组到参考半径R_μ₀的最小双曲距离差： T = |d_R₀(ξ̂₁) - d_R₀(ξ̂₂)|
其中d_R₀(ξ) = min_{0≤t<1} d_H(ξ, te^{iμ₀})，可通过解析公式计算（见Lemma 2）。
3.2 置换检验实现
由于双曲距离的复杂非线性，我们采用置换检验获得p值：
- 合并两组样本，随机重分组别标签
- 每次置换后重新计算T统计量
- 原始统计量在置换分布中的分位数即为p值
这种非参数方法避免了对渐近分布的依赖，特别适合小样本场景。模拟显示，当n≥20时，置换检验能很好地控制I类错误率。
3.3 不等集中度的Bootstrap调整
当两组集中度差异显著时（κ₁≠κ₂），置换检验的假设被违反。此时改用参数Bootstrap：
- 在零假设下（μ₁=μ₂=μ₀）生成Bootstrap样本
- 保持原始κ估计值不变
- 构建Bootstrap统计量分布
这种方法通过模型重抽样保持集中度差异，同时检验位置差异。模拟表明，即使在κ₁=1.5 vs κ₂=3.0的极端情况下，仍能维持良好的检验效能。
4. 实际应用与结果解读
4.1 白内障手术数据示例
应用该方法分析40例SICS手术患者数据（20例VERTICS，20例SNARE）：
- 术后3个月散光轴位经四倍角变换处理
- 参数估计：
- SNARE组：μ̂=0.3066弧度(≈17.6°)，κ̂=1.560
- VERTICS组：μ̂=0.5402弧度(≈30.9°)，κ̂=1.581
- 置换检验p值=0.5891，Bootstrap检验p值=0.6204
4.2 临床解读
虽然SNARE组的平均轴位更接近理想的0°方向（17.6° vs 30.9°），但统计检验未发现显著差异。这可能因为：
- 样本量较小(n=20/组)限制了检验效能
- 两组集中度相近(κ≈1.5)，几何差异不大
- 实际临床差异可能需要更大样本或更长时间观察
实践建议：对于类似研究设计，建议样本量至少50例/组，并考虑多时间点纵向观测，以捕捉手术效果的动态变化。
5. 方法比较与实施建议
5.1 与传统方法的性能对比
通过模拟研究(n=20-200, κ=1-3)发现：
- 小样本(n=20)时，传统Z检验略优（功效高5-8%）
- 中等样本(n=50)时，两种方法相当
- 大样本(n≥100)时，双曲方法优势明显（功效高10-15%）
- 在κ₁≠κ₂时，双曲方法的稳健性显著更好
5.2 实际应用指南
实施步骤总结：
- 数据准备：确保角度测量统一为弧度制[0,2π)
- 参数估计：计算各组样本平均方向μ̂和集中度κ̂
- 几何映射：将(μ̂,κ̂)转换为庞加莱圆盘坐标
- 距离计算：求各点到目标半径的最小双曲距离
- 统计检验：根据集中度差异选择置换或Bootstrap
- 结果可视化：绘制圆盘表示和传统玫瑰图
常见实施陷阱：
- 忽略角度周期性导致的错误平均
- 未检查集中度差异直接使用置换检验
- 目标方向定义错误（如混淆0°和180°）
- 样本量过小(<15/组)导致检验效能不足
5.3 扩展应用方向
该方法可自然扩展到：
- 多组比较（ANOVA的圆形数据版本）
- 纵向圆形数据分析（如术后不同时间点的轨迹）
- 协变量调整（建立圆形回归模型）
- 其他医学角度数据（如关节活动度、血管分支角度等）
6. 讨论与展望
双曲几何框架为圆形数据分析提供了概念清晰且计算可行的新范式。从临床应用角度看，这种方法有三大优势：
临床可解释性：医生可以直观地在圆盘上看到不同治疗组的效果分布，理解统计结论的临床意义。
综合评估：同时考虑位置和集中度的差异，更符合临床决策的实际需求。例如，某种技术可能平均方向略差但更稳定（高集中度），这在传统方法中难以量化比较。
稳健推断：置换和Bootstrap方法减少了对大样本渐近理论的依赖，适合医学研究中常见的中小样本场景。
未来发展方向包括：
- 开发高效的计算实现（如R/python软件包）
- 研究高维圆形数据的双曲表示
- 探索贝叶斯版本的几何推断框架
- 开发考虑测量误差的模型变体
对于临床研究者而言，这种方法的主要价值在于：将抽象的统计检验转化为直观的几何比较，使统计分析与临床直觉更好对接。当评估新型手术技术或医疗器械对角度相关结局的影响时，这种几何视角往往能揭示传统方法忽略的重要模式。
