如何为调查加权数据计算比例差的Wilson 95%置信区间？

为什么你的p值与置信区间不匹配？ #

你使用高斯族svyglm拟合的是线性概率模型，其置信区间基于正态近似假设；而svychisq采用的是Rao-Scott调整的卡方/F检验，二者的统计框架、方差估计逻辑不同，因此出现结果不一致是正常现象。线性概率模型本身也不适合二元结局（可能输出超出[0,1]的概率值，方差假设不成立），这是问题的核心原因。

方法1：用svyprop.test直接计算Wilson置信区间 #

survey包的svyprop.test函数原生支持调查加权数据的比例差分析，且可指定Wilson方法计算置信区间，步骤如下：

# 计算两组加权比例差的Wilson 95%置信区间
result <- svyprop.test(
  formula = ~binary_outcome,
  by = ~binary_exposure,
  design = svy_design,
  method = "wilson"
)

# 查看完整结果（含比例、差值、置信区间、p值）
print(result)

该输出会包含两个组的加权比例、比例差值，以及对应的Wilson 95%置信区间，同时给出匹配的检验p值，彻底解决之前的结果不一致问题。

方法2：基于二项族svyglm推导得分型置信区间 #

若需通过模型框架实现，可拟合二项逻辑回归模型，再通过得分检验推导近似Wilson置信区间：

# 拟合二项族svyglm模型
binom_model <- svyglm(
  binary_outcome ~ binary_exposure,
  design = svy_design,
  family = binomial()
)

# 定义比例差的对比（暴露组vs非暴露组的概率差）
diff_contrast <- svycontrast(
  binom_model,
  list(prop_diff = quote(`binary_exposure1` - `binary_exposure0`)),
  method = "score"
)

# 提取Wilson型置信区间
confint(diff_contrast)

这种方法本质上是通过得分检验实现Wilson区间的逻辑，结果与svyprop.test一致，但步骤稍繁琐。

关键提示 #

• Wilson置信区间在比例接近0或1时的稳健性远优于正态近似区间，更适合二元结局的分析场景。
• 避免用高斯族svyglm处理二元结局：线性概率模型的方差恒定假设不符合二元数据的方差特性（方差随比例变化），会导致区间估计和检验结果偏倚。

内容的提问来源于stack exchange，提问作者s.stats