R执行logistic回归出现不明缺失值删除及极端P值异常问题

问题背景 #

本次分析基于370行的医学数据集开展二分类logistic回归，研究目标为探究各检查指标与肝硬化结局的关联：

• 因变量为fibrosis.score，二分类因子变量，0代表无肝硬化，1代表存在肝硬化
• 自变量均为2~4水平的因子变量，包含CT、MR、US扫描结果，腹水、黄疸、静脉曲张出血等临床症状指标

初始异常表现 #

执行回归代码：

model0 <- glm(Fibrosis.score ~ Fibroscan + CT + MR + UL + ascites + ikterus + varicebloedning, family = binomial, data=d3)

出现两类异常：

• 收到警告：glm.fit: fitted probabilities numerically 0 or 1 occurred
• summary(model0)输出显示124条观测因缺失被删除，但已确认纳入回归的自变量无缺失；绝大多数自变量P值接近0.99，和预期显著性表现不符。

核心疑问解答 #

1. glm函数是否会删除整行存在缺失的观测，即使缺失值出现在未纳入回归的列？ #

glm默认的缺失值处理规则为仅检查回归公式中涉及的所有变量（包括因变量和全部自变量），仅当某行在公式覆盖的任意变量上存在缺失时，才会被整行删除，未纳入回归公式的列的缺失值不会触发行删除。

2. 极端P值是否和参照水平设置有关？ #

接近1的极端P值通常和参照水平设置无关，更可能由两类问题导致：

• 完全/准完全分离：即某自变量的某一水平下，因变量的取值完全一致（比如CT提示肝硬化的分类下所有患者的因变量均为1），此时会出现你收到的拟合概率为0或1的警告，回归系数估计会异常偏大、标准误极高，最终P值接近1
• 共线性问题：如果自变量之间存在高度甚至完全共线性，也会导致系数估计不稳定，出现极端P值

3. 如何解决124条观测被意外删除的问题，是否需要单独提取回归用到的变量构建新数据集？ #

无需单独构建新数据集，按以下步骤排查即可：

1. 优先检查回归公式覆盖的所有变量（不要仅检查自变量）的缺失情况，可执行以下代码统计缺失数：

# 替换错误的all.variables为正确的函数名all.vars
vars_used <- all.vars(Fibrosis.score ~ Fibroscan + CT + MR + UL + ascites + ikterus + varicebloedning)
apply(d3[,vars_used], 2, function(x) sum(is.na(x)))

2. 若确认上述变量无官方NA编码，需排查是否存在非标准缺失值编码（比如用-99、空白字符串、特殊符号代替NA的情况）

附带报错说明 #

你运行代码时出现的could not find function "all.variables"报错是函数名拼写错误导致，R中提取公式涉及变量的正确函数名为all.vars。

最终问题根因 #

最终排查确认：因变量fibrosis.score存在124个缺失值，因此触发了glm的行删除规则，处理因变量缺失问题后回归结果恢复正常。

内容的提问来源于stack exchange，提问作者le2001