NHANES 数据库不用自己测序、不用收标本,医生和公卫同学拿它发文的热情一直很高,本站之前也解读过多篇 NHANES 高分文章。但真到自己动手时,很多人卡在同一个地方:从 CDC 网站把一堆 XPT 文件下载回来之后,不知道该用哪个权重,多个周期合并时更是完全不知道怎么处理。权重用错,后面的均值、百分比、置信区间全都会偏,审稿人一眼就能看出来。
这篇文章把 NHANES 分析里最劝退的一环——周期、权重与多周期合并——从头到尾做一遍:从 CDC 下载文件、R 读入、用 survey 包建立复杂抽样设计,到两个周期合并后出加权结果。文中所有代码在 R 4.3.3(survey 4.5)环境实跑通过,可以直接照搬。

一、先分清三种权重,别拿到文件就跑
NHANES 采用复杂抽样设计(分层、多阶段、不等概率),每个人背后都带一个”他代表多少美国人”的权重。一个分析里用哪个权重,取决于你分析的变量是在哪个环节产生的:
| 权重变量 | 代表的环节 | 什么时候用 |
|---|---|---|
| WTINT2YR | 家庭访谈 | 只用访谈变量(如自报吸烟、问卷条目)时 |
| WTMEC2YR | MEC 体检中心 | 变量来自体检测量或 MEC 抽血(如血压、BMI、血脂)时 |
| 子样本权重(如空腹血糖专用权重) | MEC 里的子样本 | 分析的指标只测了部分受检者(如空腹血糖、口服糖耐量)时 |
最常见的错误是:明明分析的是 BMI、血糖这类体检测量指标,却用了访谈权重 WTINT2YR。正确做法是先问一句”这个变量是在家里问出来的,还是在体检车上测出来的?”——问出来的用访谈权重,测出来的用 MEC 权重,只在部分人身上测的用子样本权重。每个周期文件的官方文档页都有 Weighting 栏目,专门说明该文件配套的权重变量,拿不准就去核对。
另外两个必须认识的变量是 SDMVPSU 和 SDMVSTRA(伪初级抽样单元与伪分层),它们就放在 DEMO(人口学)文件里,是计算标准误的依据。分析任何 NHANES 数据,DEMO 文件几乎都要下载,因为它同时装着权重、PSU、分层、年龄、性别这些基础变量。
二、周期怎么看,哪些能合并
NHANES 以周期为单位发布数据,常用周期的文件命名和权重变量并不一样,先记住这张对照表:
| 周期 | DEMO 文件 | MEC 权重变量 | 合并时的注意事项 |
|---|---|---|---|
| 2015–2016 | DEMO_I | WTMEC2YR | 与 2017–2018 合并:权重除以 2 |
| 2017–2018 | DEMO_J | WTMEC2YR | 与 2017–2020 疫情前数据重叠,不能与 P_DEMO 合并 |
| 2017–2020.3(疫情前) | P_DEMO | WTMECPRP(4 年周期权重) | 单独使用即可,权重不需要调整 |
| 2021–2023 | DEMO_L | WTMEC2YR | 覆盖 2021 年 8 月至 2023 年 8 月,且只调查了成人;与更早周期合并前必须先读 CDC 官方教程的当前指引 |
两条铁律:
1. 周期数等于权重除数。两个 2 年周期合并,每个样本的权重除以 2;三个 2 年周期合并除以 3。原理很直白:每个周期的人群代表的是”那两年的美国”,两份”两年”拼起来等于”四年”的量,如果权重不除,等于把美国人口数了两遍。
2. 2021–2023 周期与此前周期跨度不同、设计也有调整(比如该周期只纳入了成人),合并时的权重系数和适用范围与”整除周期数”这类通用规则不完全一样,动手前一定以 CDC 官方 NHANES 教程(Weighting in NHANES 一节)的当前版本为准,不要照抄旧文章里的系数。
下文实操以最经典、最不容易出错的组合为例:2015–2016 + 2017–2018 两个 2 年周期,合并为 2015–2018 的 4 年估计。
三、从 CDC 下载文件
数据在 CDC 官网逐周期发布,入口是 wwwn.cdc.gov/nchs/nhanes/。这里有一个很多旧教程都没提的坑:CDC 网站改版后,文件的直链格式已经变了。旧教程里广泛流传的 wwwn.cdc.gov/Nchs/Nhanes/2015-2016/DEMO_I.XPT 这类地址现在全部 404(截至 2026-11-17 核对),按旧地址下载只会得到一个 HTML 报错页。现在的实际路径规律是:
https://wwwn.cdc.gov/Nchs/Data/Nhanes/Public/2015/DataFiles/DEMO_I.xpt
https://wwwn.cdc.gov/Nchs/Data/Nhanes/Public/2015/DataFiles/BMX_I.xpt
https://wwwn.cdc.gov/Nchs/Data/Nhanes/Public/2017/DataFiles/DEMO_J.xpt
https://wwwn.cdc.gov/Nchs/Data/Nhanes/Public/2017/DataFiles/BMX_J.xpt
也就是 /Public/<周期起始年>/DataFiles/<文件名>.xpt,后缀变成小写。本文示例需要每个周期各两个文件:DEMO(人口学:含权重、PSU、分层、年龄、性别)和 BMX(体格测量:含 BMI),2015–2016 取 DEMO_I 和 BMX_I,2017–2018 取 DEMO_J 和 BMX_J。更稳妥的入口是官网的 Data Page 检索页(按周期和组件列文件清单),点文件名进入文档页,文档页顶部就是当前有效的下载链接——改版后拿不准路径时,以文档页上的链接为准。
另外提醒一句:在脚本里批量下载时,如果服务器环境的默认请求头被 CDC 拒绝,返回的同样是 HTML 而不是数据文件;下载后先看文件头是不是 HEADER RECORD,确认拿到的是真正的 XPT(SAS transport 格式)再往下走。
四、R 读入并建立抽样设计
读 XPT 不需要装 SAS,R 自带的 foreign 包就能读(haven 包的 read_xport() 是等价写法)。下面这段代码完成四件事:读入四个文件、按 SEQN(受检者唯一编号)把 DEMO 和 BMX 拼起来、给每个周期加 cycle 标记、合并成一个数据框(以下代码在 R 4.3.3、survey 4.5 实跑验证):
library(foreign)
library(survey)
demo_i <- read.xport("DEMO_I.xpt")
demo_j <- read.xport("DEMO_J.xpt")
bmx_i <- read.xport("BMX_I.xpt")
bmx_j <- read.xport("BMX_J.xpt")
merge_one <- function(demo, bmx, cycle_label) {
merged <- merge(demo[, c("SEQN","SDMVPSU","SDMVSTRA","WTMEC2YR","RIDAGEYR","RIAGENDR")],
bmx[, c("SEQN","BMXBMI")], by = "SEQN")
merged$cycle <- cycle_label
merged
}
dat <- rbind(
merge_one(demo_i, bmx_i, "2015-2016"),
merge_one(demo_j, bmx_j, "2017-2018")
)
然后用 svydesign() 声明复杂抽样设计。这一步是 NHANES 与普通数据分析的分水岭——从此以后所有统计都要通过 design 对象来做,而不是直接对数据框做:
# 两个周期合并:每个样本的权重除以 2
dat$wt4yr <- dat$WTMEC2YR / 2
design <- svydesign(
ids = ~SDMVPSU,
strata = ~SDMVSTRA,
weights = ~wt4yr,
nest = TRUE,
data = dat
)
nest = TRUE 必须写:NHANES 的 PSU 编号在不同分层内是重复的,加上它 survey 包才会把”第 1 层的 PSU 1″和”第 2 层的 PSU 1″当成不同单元。漏掉这一步,标准误会算得又大又离谱。
五、出结果:加权均值与按周期分层
有了 design,加权的 BMI 均值一条命令就出来:
svymean(~BMXBMI, design, na.rm = TRUE)
实跑输出(R 4.3.3、survey 4.5,合并后共 18,248 名有 BMI 测量的受检者):
mean SE
BMXBMI 27.478 0.1558
也就是说,把两个周期合并、权重按两年周期各占一半处理后,2015–2018 年美国有 BMI 测量人群(BMXBMI 覆盖约 2 岁及以上)的加权平均 BMI 约为 27.5,标准误 0.16——因为把儿童青少年也算进来了,这个数比”成人平均 BMI”低不少。想只看成人,正确姿势不是先在数据框里删年龄,而是子域分析(见下一节的坑 2):
dsub <- subset(design, RIDAGEYR >= 20)
svymean(~BMXBMI, dsub, na.rm = TRUE)
实跑输出:
mean SE
BMXBMI 29.613 0.1833
成人加权 BMI 约 29.6,这才是写文章时该引用的成人水平估计。
想分别看两个周期的水平,用 svyby() 按刚才造的 cycle 变量分层:
svyby(~BMXBMI, ~cycle, design, svymean, na.rm = TRUE)
实跑输出:
cycle BMXBMI se
2015-2016 2015-2016 27.28165 0.1978736
2017-2018 2017-2018 27.67122 0.2363474
两个周期的加权均值都可以直接取用,因为合并设计里每个周期已经各自带着”除以 2″的权重,svyby 分层后恰好还原单周期的估计。
六、最容易踩的五个坑
| 症状 | 真实原因 | 正确处理 |
|---|---|---|
| BMI、血压等体检指标的结果”不太对” | 用了访谈权重 WTINT2YR | 体检/抽血变量一律用 MEC 权重,子样本指标用子样本权重 |
| 子集结果标准误异常、样本量对不上 | 先用 filter/dplyr 删行再建 design | 用 subset(design, 条件) 做”子域估计”,权重保持原样 |
| 标准误大得离谱 | svydesign 漏了 nest = TRUE | 补上 nest = TRUE,让 PSU 在分层内嵌套编号 |
| 合并周期后均值”翻倍”或失真 | 合并时权重没有除以周期数 | 两个 2 年周期就除以 2,三个除以 3 |
| 遇到 “lonely PSU” 警告或单层 PSU 报错 | 子域分析后个别分层只剩一个 PSU | 加 options(survey.lonely.psu = “adjust”),并在方法部分如实说明处理方式 |
这里展开讲第二个坑,因为它最隐蔽。NHANES 的”子集”不是把人删掉:比如只分析成年人时,正确写法是 subset(design, RIDAGEYR >= 20),此时估计的是”美国成年人在设计下的子域均值”,权重体系没有破坏;而先在数据框里 filter 再 svydesign,等于只给剩下的样本重建了一套”小美国”权重,两组的总体代表性对不上,做子域分析时置信区间也是错的。CDC 官方教程对子域估计有专门一节,结论与此一致:子域分析用 subset 设计对象,而不是先删行。
七、局限与下一步
本文的合并示例是”整两年周期 × 2″这一最稳的场景;跨 2019–2021 疫情断档、以及把 2021–2023 周期并入更早数据时,权重系数和适用人群都要以 CDC 官方教程当前版本为准,本站后续会单独写疫情前后周期衔接的专题。
NHANES 的缺失不少(体检指标缺失者往往不随机),是做完整案例分析(complete-case)还是多重插补,方法部分要交代清楚,这也是审稿常问的点。
权重和设计只是”算得对”的第一步;选题、变量定义和统计模型决定文章能走多远。
咨询与支持
NHANES 分析本身对算力要求不高,难在权重、设计与变量梳理这套流程一次理顺。如果你已经下载了数据却在权重或设计环节反复卡住,可以把周期组合、目标变量和卡住的步骤整理成一段任务描述发给云生信,我们先帮你判断设计和合并方案,再沟通后续支持方式。咨询 NHANES 分析任务
参考来源:
1. NHANES 官网周期数据页与各文件文档(DEMO_I、DEMO_J、BMX_I、BMX_J 的 Weighting 栏目),CDC,核对日期 2026-11-17:https://wwwn.cdc.gov/nchs/nhanes/
2. NHANES Web Tutorial,”Weighting in NHANES”与子域估计章节,CDC:https://wwwn.cdc.gov/nchs/nhanes/tutorials/default.aspx
3. survey 包(复杂抽样分析的 R 实现)官方文档:https://cran.r-project.org/package=survey
