样条变量在Logit/Cox模型中OR/HR接近1时置信带较窄的原因探究

以下是几个核心原因：

• 模型参数估计的固有特性：当OR/HR接近1时，对应自变量的取值通常靠近模型的基准参考点（比如样条的中心节点、变量均值区间）。样条模型的参数估计方差在参考点附近天然更小——因为样条基函数的设计逻辑会让参考区域的信息权重更高，估计精度随之提升，最终体现为更窄的置信带。
• 数据分布的集中效应：OR/HR接近1的区间往往是自变量取值最密集的部分（比如图表中间对应50分位数的区域）。数据量越大，参数估计的标准误就越小，置信区间的宽度自然会收缩。你采用分位数节点（5、25、50、75、95）设置样条，中间区间的样本量远多于两端，这直接拉高了该区域的估计稳定性。
• 样条基函数的设计影响：你使用的是自然立方样条（naturalcubic）搭配TPF无截距基（basis=tpf(noint)），这类基函数在中间节点附近的数值稳定性更好，参数估计的方差更低。无截距的设置让模型更聚焦于自变量变化带来的效应差异，在效应接近基准水平的区域，估计结果的波动会更小。

参考图表 #

补充说明与代码 #

生成上述图表的代码基于条件Logit模型（通过SAS Proc PHREG实现），代码如下：

proc phreg data=have;
effect v1Spline=spline(v1/naturalcubic basis=tpf(noint) knotmethod=percentilelist(5 25 50 75 95));
model time*outcome(0)=v1Spline;
strata id;
run;

内容的提问来源于stack exchange，提问作者Pam G