R语言学习笔记——Logistic回归（3）：亚组分析时一个容易忽视的问题

首先，从实例中看一下问题，文献中的图1显示（见下图），根据吸烟状态，可以将研究人群分为不吸烟、过往吸烟和吸烟三个亚组。在分析尿中PAHs scores（一组污染组浓度得分）与类风湿关节炎（RA）的关系时，得到在不吸烟和过往吸烟亚组中，OR值无显著性差异，而吸烟亚组，OR比值高达15.46（3.11,76.75）。据此文章得出结论，PAH暴露和吸烟状态可能是RA发生相关的潜在因素。

图1 文献中的亚组分析结果

之所以觉得这个结论有问题，是因为其分析结果与我的分析有出入。那这种差异是怎么造成的呢？仔细分析发现，作者为了分析PAH scores与RA的关系，将PAH各组分浓度用四分位数区间划分为四组，纳入Logistic回归分析。但作者忽略了针对总人群进行的四分位数区间划分后，直接应用在亚组人群中时，就会引起分组样本数量的不平衡。尤其是PAH这类物质在吸烟人群中的浓度远远高于非吸烟人群，这时在吸烟人群亚组中使用总人群的区间划分，就会造成第四分位区间例数过多，而第一分位区间例数过少的现象，造成统计学结果的不准确，从吸烟组OR值的95%区间（3.11-76.75）也可以看出来。

经过按亚组重新划分四分位数区间，可见吸烟状态亚组中PAH对于RA发生的OR值大为降低，显著性消失，见图2。  

图2经过亚组划分区间的亚组分析结果

回头再看书，在《医学统计学》（第4版）第十六章Logistic回归注意事项中说道：“Logistic回归的所有统计推断都建立在大样本基础上，因此要求有足够的样本含量。”“如果分层很多，会使一些层内观察个数过少，此时计算出的统计量可能偏离χ²分布，下结论时应慎重。”

  读书时，这些描述并没有引起足够的重视，在实际分析中如果不注意，会造成结果的假阳性或假阴性，近处会给这个研究带来不准确的结论，远处会造成研究方向的错误。因此，应该合理进行亚组分析，注意样本量的分布。