为何R与Python的Logistic模型置信区间结果存在差异？

云原生阿岚

2026-6-21

问题：Logistic回归模型在R与Python中置信区间结果差异的原因

我正在构建Logistic回归模型，用于预测个体健康状况（0=良好，1=不佳）是否受二手烟暴露及其他人口统计学因素的影响。

R中的模型实现

我在R中使用以下代码构建模型（变量已重命名以标识类型）：

shs_health_model <- glm(health_binary ~ continuous1 + continuous2 +
                          continuous3 + binary1 + binary2 + 
                          binary3 + binary_smoke, data=mydata, family="binomial")

提取优势比（OR）、置信区间和p值的代码：

shs_coef <- exp(cbind(OR = coef(shs_health_model), confint(shs_health_model)))
cbind(shs_coef, P = summary(shs_health_model$coefficients[,'Pr(>|z|)']))

R的输出结果：

变量	OR	2.5 %	97.5 %	P
(Intercept)	4.3165924	0.40965543	56.1120993	0.239687729
continuous1	1.0351381	0.99352565	1.0799027	0.101217153
continuous2	0.5532695	0.31446430	0.9486117	0.032469282
continuous3	0.9718181	0.92737903	1.0195214	0.231590917
binary1	6.8387667	1.23306396	41.0086896	0.027803143
binary2	0.1796848	0.05899218	0.4867787	0.001274915
binary3	0.6038520	0.16843900	1.8854196	0.405517065
binary_smoke	0.5601202	0.14253453	2.4350002	0.412941761

Python中的模型实现

合作者在Python中使用statsmodels.api的Logit函数，基于相同变量和数据集构建模型：

model = sm.Logit(y, X).fit()

提取优势比、置信区间和p值的代码：

import numpy as np
import pandas as pd
import statsmodels.api as sm

odds_ratios = np.exp(model.params)
conf = np.exp(model.conf_int())
p_values = model.pvalues
logistic_results['total_environ_index_cat'] = pd.DataFrame({
    'Odds Ratios': odds_ratios,
    'Confidence Intervals (Lower)': conf[0],
    'Confidence Intervals (Upper)': conf[1],
    'p-values': p_values
})

Python的输出结果（可见部分变量的置信区间值存在差异，但OR和p值与R的输出一致）：

	OR	CI(low)	CI(high)	p
const	4.317	0.377	49.42	0.24
continuous1	1.035	0.993	1.079	0.101
continuous2	0.553	0.322	0.952	0.032
continuous3	0.972	0.927	1.018	0.232
binary1	6.839	1.233	37.918	0.028
binary2	0.18	0.063	0.511	0.001
binary3	0.604	0.184	1.982	0.406
binary_smoke	0.56	0.14	2.243	0.413

疑问

为何两者的输出会存在差异？并非其中一方的置信区间始终更宽，且据我所知两者计算的均为95%置信区间。

内容的提问来源于stack exchange，提问作者AIRE Study

为何R与Python的Logistic模型置信区间结果存在差异？

R中的模型实现 #

Python中的模型实现 #

疑问 #

R中的模型实现

Python中的模型实现

疑问