tbl_regression生成Logistic回归OR置信区间与SPSS等结果差异咨询

问题场景 #

使用如下代码调用tbl_regression生成单因素Logistic回归表：

glm.fit.TAG=glm(asian2$sICH ~ asian2$TAG, family=binomial) #mô hình 1
TAGtable <- tbl_regression(glm.fit.TAG, exponentiate = TRUE)%>%
 add_glance_source_note()

代码运行得到的展示结果为：OR=1.92，95%CI 1.41-2.67。
该结果与SPSS、R中logRegBin函数的输出存在小幅差异，后两者结果完全一致：OR=1.92，95%CI 1.40-2.64。上述差异在使用gtsummary包生成所有回归表时均会出现，初步推测为gtsummary计算机制中的舍入规则差异导致。
核心疑问：若真实置信区间边界非常接近1，gtsummary是否会返回错误结果，需要对应实用解决方案。

原因与实用建议 #

• 该类小幅差异不属于计算错误，不会出现CI边界接近1时返回本质错误结果的情况。差异来源分为两部分：一是不同工具默认的置信区间计算方法存在细微区别（比如部分工具用剖面似然法计算CI，部分用Wald法），二是gtsummary默认的舍入规则和SPSS、logRegBin不同，默认不是对CI上下界直接按固定小数位四舍五入，而是做了格式化适配，才会出现末位数字的差异。
• 验证底层数值一致性：直接调用as_tibble(TAGtable)提取表格存储的未舍入原始值，可观测到底层计算结果和其他工具的差异远小于展示值的差异，gtsummary不会修改传入的glm模型对象的原始计算结果，所有差异均来自展示层的格式化处理。
• 对齐其他工具的输出格式：如果需要让gtsummary的展示结果和SPSS、logRegBin完全一致，可在tbl_regression中显式指定固定小数位的舍入规则，示例代码如下：

  TAGtable <- tbl_regression(
    glm.fit.TAG, 
    exponentiate = TRUE,
    estimate_fun = ~style_number(.x, digits = 2),
    ci_fun = ~style_number(.x, digits = 2)
  ) %>% add_glance_source_note()
  

  强制对OR值、CI上下界统一按2位小数四舍五入后，输出结果即可和其他工具对齐。
• 针对CI边界接近1的特殊场景，可通过两种方式规避展示歧义：
  • 自定义CI计算逻辑：直接从原始glm对象提取你信任的CI计算结果（比如用confint()计算剖面似然CI，或confint.default()计算Wald CI），通过add_ci()函数传入自定义结果覆盖默认计算值，完全掌握CI的计算逻辑。
  • 增加边界值展示精度：对边界接近1的结果，将CI的展示小数位调整为3位，避免因2位小数舍入导致的“CI跨1/不跨1”的定性判断偏差。
• 快速校验方法：对存疑的结果，直接运行summary(glm.fit.TAG)查看模型原始输出的系数、标准误、Wald检验结果，和gtsummary存储的原始值做对比，即可快速确认是否存在计算错误。

内容的提问来源于stack exchange，提问作者Nhân Võ Thế