在UK Biobank数据上运行PheWas遇svd(X)错误：无缺失值却提示异常

背景 #

• 基于GitHub仓库PHESANT在UK Biobank临床/脑成像数据上开展PheWAS，检验脑小血管病（白质高信号体积，连续预测变量，存在缺失，不能插补）与抑郁发作次数（因变量，已填补缺失，取值-3~2052，多数为-3代表“不知道”）的关联
• 报错指向有序逻辑回归（polr）代码段，推测由预测变量缺失值导致

疑似问题代码 #

### BEGIN TRYCATCH
tryCatch({
  confounders=thisdata[,3:numPreceedingCols, drop = FALSE]

  if (opt$standardise==TRUE) {
      geno = scale(geno)
  }

  fitB <- polr(phenoFactor ~ ., data=confounders, Hess=TRUE) 

  fit <- polr(phenoFactor ~ geno + ., data=confounders, Hess=TRUE)

  # only save results if model converged
  if (fit$convergence == 0 & fitB$convergence == 0) {

  ctable <- coef(summary(fit))
  sink()
  sink(resLogFile, append=TRUE)

  ct = coeftest(fit)

  # model p value compares model to baseline model
  lres = anova(fit, fitB)
  pvalue = pchisq(lres[2,"LR stat."], df=lres[2,"   Df"], lower.tail=FALSE)

  beta = ctable["geno", "Value"];

  if (opt$confidenceintervals == TRUE) {
      se = ctable["geno", "Std. Error"]
      lower = beta - 1.96*se;
      upper = beta + 1.96*se;
  }
  else {
      lower = NA
      upper = NA
  }

解决方案 #

1. 按分位数分组处理预测变量（同时保留缺失样本） #

将白质高信号体积转为有序分类变量，把缺失值设为独立类别，既符合研究需求，又解决缺失值导致的建模错误：

# 按四分位数对geno分组，自动忽略缺失值计算分位数
geno_groups <- cut(geno, 
                   breaks = quantile(geno, na.rm = TRUE), 
                   include.lowest = TRUE, 
                   labels = c("Q1（最低）", "Q2", "Q3", "Q4（最高）"))
# 将缺失值标记为单独类别
geno_groups[is.na(geno_groups)] <- "Missing"
# 转为有序因子（适配polr的有序逻辑回归特性）
geno_groups <- factor(geno_groups, ordered = TRUE)

2. 修正数据输入与建模公式 #

polr无法处理含缺失值的输入，且原代码中geno不在confounders数据框内，会导致变量匹配错误，需调整：

# 将处理后的分组变量加入协变量数据框
confounders$geno <- geno_groups

# 构建不含geno的基线模型数据框
confounders_baseline <- confounders[, !colnames(confounders) %in% "geno", drop = FALSE]

# 重新拟合模型
fitB <- polr(phenoFactor ~ ., data=confounders_baseline, Hess=TRUE) 
fit <- polr(phenoFactor ~ ., data=confounders, Hess=TRUE)

3. 排查协变量的缺失值 #

协变量confounders中若存在缺失值，同样会触发报错，需检查并处理：

# 统计协变量各列缺失值数量
colSums(is.na(confounders_baseline))

# 处理方式示例：
# - 分类变量：将NA转为"Missing"因子
confounders_baseline$some_cat_var[is.na(confounders_baseline$some_cat_var)] <- "Missing"
confounders_baseline$some_cat_var <- factor(confounders_baseline$some_cat_var)
# - 连续变量：同geno处理逻辑，分组+缺失值单独成组

4. 评估因变量的-3类别合理性 #

因变量中大量“不知道”（-3）样本可能干扰模型拟合，建议：

• 将-3设为单独的有序类别，与其他发作次数类别区分
• 或单独分析排除-3样本后的子集，对比结果稳定性

内容的提问来源于stack exchange，提问作者Fleeting_A