卡方检验（Chi-square test）是一种统计学方法，用于分析两个分类变量之间的关系。它通常用于检验实际观测次数与期望观测次数之间的差异是否具有统计学意义。卡方检验的基本原理是通过计算实际值与期望值之间的卡方统计量，并根据卡方分布来评估这种差异是否是偶然产生的。

解读报告时，关键的两个参数是卡方值（Chi-square value）和p值（p-value）。卡方值越大，表明观察到的差异与期望差异之间的偏离越大；而p值则用于表示这种偏离是否具有统计学意义。通常，如果p值小于预先设定的显著性水平（如0.05或0.01），则认为观察到的差异具有统计学意义，否则认为差异可能仅仅是随机产生的。

在制药行业中，卡方检验可以应用于多种场景，例如：

1. 临床试验有效性评估：在新药临床试验中，可以使用卡方检验来评估实验组与对照组之间的治疗效果差异。例如，检验一种新药对缓解疼痛的作用，研究者可以分别记录实验组（接受新药）和对照组（接受安慰剂）中患者疼痛缓解的次数，然后使用卡方检验分析这两组之间的差异是否具有统计学意义。

2. 不良反应与药物相关性分析：在药物上市后，可能会收集到关于不良反应的报告。卡方检验可以用于分析某种不良反应与特定药物之间是否存在相关性。例如，检验某种药物是否增加了心血管事件的风险，可以通过比较接受该药物治疗的患者与未接受该药物治疗的患者之间心血管事件发生率的差异，进而评估这种差异是否具有统计学意义。

3. 生产工艺监控：制药生产过程中，可以使用卡方检验来评估不同批次药物之间的质量差异。例如，检验某种药物的合格率是否受到生产工艺的影响，可以通过比较不同生产工艺下药物合格率的差异，使用卡方检验判断这种差异是否具统计学的差异。以下是针对上述三个场景的具体数据案例和计算过程：

   1. 临床试验有效性评估：

   假设我们有以下数据：

   组别	疼痛缓解	未缓解疼痛
   实验组	75	25
   对照组	55	45

   我们可以通过以下步骤进行卡方检验：

   1. 计算期望值：

   验组期望疼痛缓解人数： 130/200×100%=65%
   实验组期望未缓解疼痛人数：70/200×100%=35%
   对照组期望疼痛缓解人数：130/200×100%=65%
   对照组期望未缓解疼痛人数：70/200×100%=35%
   计算卡方值：
   卡方值 = Σ[(实际值-期望值)^2/期望值]
   
   实验组疼痛缓解：(75-65)^2/65≈1.538
   实验组未缓解疼痛：(25-35)^2/35≈2.857
   对照组疼痛缓解：(55-65)^2/65≈1.538
   对照组未缓解疼痛：(45-35)^2/35≈2.857
   
   卡方值 = 1.538 + 2.857 + 1.538 + 2.857 ≈ 8.79
   
   计算p值：
   根据自由度（(行数-1)(列数-1)=(2-1)(2-1)=1）和卡方值（8.79），查询卡方分布表得到p值≈0.003。
   
   因为p值（0.003）小于显著性水平（如0.05），我们可以得出实验组和对照组之间的疼痛缓解效果具有统计学意义。不良反应与药物相关性分析：

   假设我们有以下数据：
   

   者类别	心血管事件	无心血管事件
   使用药物A	30	270
   未使用药物A	10	290

   
   我们可以使用与场景1相同的方法进行卡方检验。计算得到卡方值≈11.97，对应的p值≈0.0005。因为p值（0.0005）小于显著性水平（如0.05），我们可以得出使用药物A与心血管事件发生率之间具有统计学意义的关联。

4. 生产工艺监控：

假设我们有以下数据：

生产工艺	合格药品	不合格药品
工艺A	860	140
工艺B	900	100

我们可以使用与场景1相同的方法进行卡方检验。计算得到卡方值≈4.966，对应的p值≈0.026。因为p值（0.026）小于显著性水平（如0.05），我们可以得出生产工艺A和工艺B之间的药品合格率具有统计学意义的差异。

在这三个案例中，我们通过卡方检验分析了两个分类变量之间的关系，并根据p值判断了观察到的差异是否具有统计学意义。这有助于我们在制药行业中做出更有根据的决策。

使用MINITAB可以直接计算：以第一个例子为为例：