R语言中如何统计比较CAD与健康组的VE模型预测值？

你分开拟合两个独立模型的方式，没法直接用anova()或summary()比较这两个特定点的VE预测值——因为这两个函数都是针对同一数据集内的模型做对比的。正确的解决思路是把两组数据合并，拟合一个包含分组交互项的统一模型，具体操作如下：

1. 合并数据集并标记分组 #

先给健康组和CAD组的数据各加一列分组标识，再把它们合并成一个数据集：

# 给两组数据添加分组标签
df_healthy$group <- "健康组"
df_CAD$group <- "CAD组"
# 合并成一个数据集
df_combined <- rbind(df_healthy, df_CAD)

2. 拟合带交互项的二次多项式GLM #

拟合模型时，加入group和poly(percent_power,2)的交互项，这样模型能捕捉两组VE随percent_power变化的趋势差异：

lm_combined <- glm(VE ~ group * poly(percent_power, 2), data = df_combined)

3. 检验两个目标预测值的差异 #

现在要对比健康组在percent_power=70时的VE，和CAD组在percent_power=80时的VE，有两种实用方法：

方法一：用emmeans包快速检验 #

emmeans包专门用来处理这种特定条件下的估计值对比，操作很方便：

# 首次使用需先安装包
# install.packages("emmeans")
library(emmeans)

# 生成目标条件下的估计值
emms <- emmeans(lm_combined, ~ group | percent_power, 
                at = list(group = c("健康组", "CAD组"), 
                          percent_power = c(70, 80)))

# 对比两个目标值的差异并输出统计结果
compare_result <- pairs(emms, contrast = list(c(1, -1)))
summary(compare_result, infer = TRUE)

运行后会给出两个预测值的差异大小、置信区间和p值，直接就能判断显著性。

方法二：手动计算统计量（无需额外包） #

如果不想装新包，可以手动计算差异的标准误和检验统计量：

# 创建包含两个目标点的数据框
newdata <- data.frame(
  group = c("健康组", "CAD组"),
  percent_power = c(70, 80)
)

# 提取模型的参数和方差-协方差矩阵
model_coef <- coef(lm_combined)
vcov_mat <- vcov(lm_combined)
# 生成目标点的模型矩阵
X <- model.matrix(formula(lm_combined), newdata = newdata)

# 计算两个预测值的差异：健康组70 - CAD组80
diff_est <- X[1,] %*% model_coef - X[2,] %*% model_coef
# 计算差异的标准误
diff_se <- sqrt(t(X[1,] - X[2,]) %*% vcov_mat %*% (X[1,] - X[2,]))
# 计算z值和双侧p值
z_val <- as.numeric(diff_est / diff_se)
p_val <- 2 * pnorm(-abs(z_val))

# 输出结果
cat("预测值差异:", round(as.numeric(diff_est), 3), "\n")
cat("标准误:", round(as.numeric(diff_se), 3), "\n")
cat("z统计量:", round(z_val, 3), "\n")
cat("双侧p值:", round(p_val, 4), "\n")

为啥分开拟合模型不行？ #

分开拟合的两个模型是完全独立的，参数估计各自基于不同的数据集，anova()根本没法跨数据集做模型对比，summary()也只能输出单个模型的结果，自然没法直接比较两个独立模型的预测值。而合并数据加交互项的模型，把两组的趋势放在同一个统计框架下估计，这样才能合法地检验特定点的预测值差异。

内容的提问来源于stack exchange，提问作者MaxB