带替换匹配数据的条件logistic回归稳健标准误问题咨询

问题背景 #

处理采用**带替换风险集抽样（一名对照可匹配多名病例）**的匹配病例对照数据，目标是确定条件logistic回归的正确语法以实现合适的方差估计。

现有分析与结果 #

未调整聚类的基础模型 #

计算未调整OR且未使用聚类稳健标准误的代码：

clogit(case_status ~ exposed + strata(match_id), data = data_analysis) |>
  broom::tidy(exp=TRUE, conf.int=TRUE) 

# OR = 1.134 (95% CI: 0.898, 1.433) 
# 使用默认method="exact"与其他方法结果一致

尝试加入聚类稳健标准误的模型 #

为解决受试者内相关性，加入cluster=subject_id的代码，但得到的稳健标准误反而小于原标准误，与预期相反：

clogit(case_status ~ exposed + strata(match_id), data = data_analysis, 
  method="breslow", cluster = subject_id) |>
  broom::tidy(exp=TRUE, conf.int=TRUE) 

# OR = 1.134 (95% CI: 0.931, 1.382) 
# method="exact"无法与cluster选项配合使用

问题解答 #

1. 稳健标准误更小的可能原因 #

• 聚类内相关性方向异常：通常聚类会增大标准误，但如果subject_id聚类内的暴露或结局存在负相关（比如同一对照被多次匹配时，对应病例的暴露模式出现抵消性变异），会导致稳健方差估计值反而低于模型默认方差，这种情况在带替换抽样中可能出现。
• 方法与样本量限制：breslow近似针对大样本设计，若匹配组数或聚类数较少，三明治估计（cluster选项的底层方法）会不稳定，甚至出现低估。
• 聚类单元定义偏差：若错误将非重复观测的病例纳入subject_id聚类，而非仅针对重复使用的对照设置聚类单元，会导致相关性计算偏差。

2. 分析修改建议 #

• 校正聚类单元：明确带替换抽样中重复出现的是对照，因此聚类单元应设置为对照的唯一ID（若病例为唯一观测），确保聚类针对真正存在重复的单元。
• 手动计算稳健标准误：绕过clogit的cluster选项限制，用sandwich包手动计算：

  library(survival)
  library(sandwich)
  library(broom)
  
  # 拟合breslow模型
  fit <- clogit(case_status ~ exposed + strata(match_id), data = data_analysis, method = "breslow")
  # 计算聚类稳健方差
  vcov_clustered <- vcovCL(fit, cluster = ~subject_id)
  # 整理结果
  tidy(fit, exp = TRUE, conf.int = TRUE, vcov = vcov_clustered)
  

• 评估聚类样本量：若聚类数（重复对照数量）少于40，三明治估计稳健性极差，此时建议改用针对带替换抽样的加权分析，而非稳健标准误。
• 尝试加权logistic回归：给重复使用的对照赋予逆抽样权重，用加权logistic回归分析，更直观处理重复观测问题，且便于计算稳健标准误。

内容的提问来源于stack exchange，提问作者user28632583