基于delta法估计风险差置信区间 解决区间过宽问题

以下是针对你当前问题的排查方向和具体修正方案：

核心问题原因&调整思路 #

• 1. 比值类统计量的一阶近似误差过大
     你当前直接在线性尺度对y/x这类比值做一阶泰勒展开计算delta法标准误，比值本身分布偏斜性很强，一阶近似的误差会被放大，这是区间异常偏宽的最常见原因。建议先做对数转换，在对数尺度下计算delta法的标准误和置信区间，再通过指数转换回到原尺度，近似误差会大幅降低，区间宽度会更贴近MLE和bootstrap的结果。
• 2. 方差计算环节存在高估问题
     你现有代码的方差计算部分多乘了冗余项：sweep(chol(vcov(object)) %*% t(Mod), allpreds*(1-allpreds), '*', MARGIN = 2)里的allpreds*(1-allpreds)是logistic连接函数的导数，如果你已经通过linkinv完成了连接函数的逆转换，这里重复乘导数会直接导致方差被高估，标准误偏大，最终区间过宽，可以先移除这个乘项验证效果。
• 3. 小样本下一阶近似精度不足
     如果你的样本量偏小，一阶delta法的近似效果本身较差，可以改用二阶delta法，在泰勒展开时加入二阶项，能有效降低近似误差，缩小偏宽的区间。

调整后的核心代码示例 #

if (method == 'delta') {
  # 改用对数尺度处理比值，降低分布偏斜带来的近似误差
  if (scale == 'linear') {
    # 对数尺度下比值转换为log(y)-log(x)，导数计算更稳定
    df <- deriv( ~ log(y) - log(x), c('x', 'y')) 
  } 
  
  out <- sapply(parm, function(p) {
    Mod0[, p] <- 0
    Mod1[, p] <- 1
    Mod <- rbind(Mod0, Mod1)
    allpreds <- family(object)$linkinv(Mod %*% coef(object))
    avgpreds <- t(Nvec) %*% allpreds
    # 计算对数尺度下的估计值
    log_val <- eval(expression(log(y) - log(x)), list('x'=avgpreds[1], 'y'=avgpreds[2]))
    # 移除冗余的连接函数导数乘项，避免方差高估
    V <- chol(vcov(object)) %*% t(Mod) %*% Nvec
    V <- t(V) %*% V
    dxdy <- matrix(attr(eval(df, list('x'=avgpreds[1], 'y'=avgpreds[2])), 'gradient'))
    se_log <- sqrt(t(dxdy) %*% V %*% dxdy)
    # 转换回原尺度
    val <- exp(log_val)
    # 先在对数尺度计算置信区间再转换回原尺度，覆盖率更准确
    ci_log <- log_val + qnorm(cilevel) * se_log
    ci <- exp(ci_log)
    # 显著性检验在对数尺度完成
    z <- abs(log_val / se_log)
    pval <- 2*pnorm(z, lower.tail = FALSE)
    out <- c(val, se_log*val, z, pval, ci)
    names(out) <- c(name, 'Std. Error', 'Z-value', 'p-value', ciname)
    out
  }) 
  out <- t(out)
  rownames(out) <- names(cf)
  return(out)
}

如果调整后仍存在区间偏宽的问题，可以检查你调用的vcov(object)是否使用了稳健标准误，稳健标准误本身估计的方差会比普通MLE的协方差矩阵更大，如果对比的是普通MLE的结果，换成模型默认的普通协方差矩阵即可。

内容的提问来源于stack exchange，提问作者Jacque