NHANES新版权重计算变化详解：从变量选择到多周期合并的实操指南

做NHANES数据分析的人，最近如果下载了最新一轮数据，多半会碰上一件头疼事：代码还是老代码，文件路径也改了，但跑出来的结果不是警告变量不存在，就是估计值和官方报告对不上。我最近连续处理了三个项目都是这个情况，最后排查下来，问题全部出在权重计算方式上。NHANES更新数据后，权重变量和方差估计变量的使用逻辑确实变了，而且这次不是单纯换个文件名那么简单，背后的抽样调整思路也有调整。如果你正在用2019-2020周期或者准备把多年周期合并起来分析，这篇文章应该能帮你省下不少排查时间，也能避开几个容易踩的坑。

先把话说清楚：本文不讨论具体算法公式的每一个推导，重点放在实操层面——更新后的数据里到底该用哪个权重变量、怎么合并周期、R和Stata代码怎么写才不会被警告淹没，以及一些文档里不太会明说的细节。

1. NHANES权重到底是什么，为什么不能当普通数据算

1.1 抽样设计决定了你不能直接拿样本均值当总体均值

很多刚开始接触NHANES的人会有一个直觉上的疑问：既然数据是从全美国随机抽出来的样本，那我直接用样本里的平均值去估计全国平均水平，是不是就行了？答案是不行，而且差得不是一星半点。

原因在于NHANES不是简单随机抽样，而是多阶段分层整群抽样，并且在抽样过程中有意提高了某些人群的入样概率。比如老年人、青少年、孕妇、某些少数族裔群体在样本中的比重是被刻意放大的，这样才能保证这些人群能算出足够可靠的统计结果。但这带来的直接后果是：样本的人口构成和目标总体的构成并不一致。

举个例子你就明白了。假设目标总体里老年人占12%，但样本设计为了单独分析老年人健康问题，把老年人在实际样本里的比例提到了25%。这时候如果你不用权重直接算全人群的患病率，老年人相关指标就会被严重拉高，得到的结果显然不代表全国真实水平。权重的第一层作用就是“还原”，把被设计故意放大的部分压回去，把被压缩的部分抬起来，让样本加总后能代表美国的非机构化平民人口。

1.2 权重里其实塞了三层信息

NHANES数据里给每个受访者分配的权重，并不是某一个简单公式算出来的小数，它通常包含了三层信息。

第一层是基础权重，也就是入样概率的倒数。一个人被抽中的概率越低，他的基础权重就越大，因为他的“代表性”覆盖了更多没被抽中的人。第二层是无响应调整。调查过程中总有人拒绝参加访谈、有人约了体检没来，这些缺失者可能会让估计产生偏差，所以NCHS会把已参与者的权重适当调高来补偿未响应人群。第三层是事后分层校准。简单说就是把加权后的样本某些人口特征分布（比如年龄、性别、种族）和全国人口统计的控制总数对齐，让结果在外推时更匹配官方人口数据。

这三部分叠加在一起，才是你最终在数据文件里看到的权重值。理解这个结构对判断“为什么权重值有的地方很大、有的地方是零”非常重要。比如体重相关分析用的是MEC权重（体检权重），没有参加体检环节的人，这个权重就是0，如果你分析时没有排除这类记录，统计结果就会出现莫名其妙的异常。

2. 更新前后的权重计算方式，到底变了哪里

2.1 旧版思路：WTMEC2YR与“除以周期数”的口诀

先说旧版的常规做法，因为网上大多数教程、论文复现代码都还停留在这一套，理解旧版才能对比出新版到底改了什么。

NHANES数据通常按两年一个周期发布，比如2017-2018是一个周期，2019-2020是另一个周期。旧版分析里，如果只分析一个周期，直接在R的survey包或者Stata里设置权重为WTMEC2YR即可，方差估计用的分层变量是SDMVSTRA、整群变量是SDMVPSU，这套组合用了很多年。

需要合并多个周期时，老教程里流传最广的口诀是“把两年的权重除以周期数”。比如要把2017-2018和2019-2020合并成四年的数据，就把每个人的WTMEC2YR除以2，当成四年权重来用。这个做法的隐含假设是：两个周期抽样设计基本一致，样本量也差不多，所以每个两年周期在四年中贡献的时间长度是均等的，权重折半是合理的近似。在早期周期里，这个近似确实问题不大，NCHS官方文档在特定条件下也允许这么处理。

2.2 新版权重：三个实实在在的变化

但NHANES更新到较新周期之后，NCHS在官方文档和分析指南里对权重使用做了调整，我理解下来核心是三个变化。

第一个变化和疫情期间的数据收集有关。2019-2020周期的现场调查受疫情影响很大，大量访谈和体检没有按计划完成。NCHS后续发布该周期数据时，对无响应结构做了重新调整，相当于在权重里增加了一层“疫情阶段”的修正。这就导致2019-2020周期的权重产生机制和2017-2018不一致，如果你还把两个周期简单合并、直接除以2，实际上是把两种不同质量的数据强行捏在一起，方差估计会不准。

第二个变化是发布节奏和变量命名。近几年NHANES开始从固定的两年周期向更灵活的连续发布过渡，相应地，数据文件中陆续出现了新的权重变量和新的方差估计变量。我下载最新数据时，能看到除了传统WTMEC2YR之外还有一些新命名的变量，作用和适用条件各有不同，尤其当你的分析只用到访谈数据而不用实验室检测结果时，权重选择会不一样。

第三个变化是最容易让人栽跟头的：方差估计变量的推荐组合变了。很多人更新数据后还在用旧的SDMVPSU和SDMVSTRA去做分层整群设计，但新周期官方说明文档里给出的PSU（初级抽样单元）和Stratum变量已经和前几轮周期不完全一致。如果代码里硬套老变量，轻则R输出一堆警告，重则标准误被显著低估，检验的p值小到离谱，而你自己还浑然不觉。

2.3 新旧权重对照速查表

这几轮更新下来，不少同行跑来问我到底该怎么选。我整理了一个简易的对照表，按分析场景区分，你在拿到数据后可以直接对照着判断。

这张表只是一个起点。实际跑数据时，你还需要根据分析是否涉及实验室检测结果来区分体检权重和访谈权重。只说一个原则：访谈相关结果用访谈权重，涉及体检和实验室指标的模型用体检权重，两者不能混用。

3. 新版权重在R、Stata、SAS里的实际操作

3.1 R语言survey包：我现在的标准写法

R是NHANES分析的主力工具，我日常基本都用survey包。新版数据下来之后，我的处理流程已经固定成这样了。

第一步是读入数据。注意NHANES导出的XPT文件要通过haven包或者foreign包读取，读取之后先别急着建模，马上做一件事情：用names()把数据框的变量名翻一遍，确认当前周期权重变量到底叫什么。不要凭记忆写代码，这一步能省很多事。

第二步是构建抽样设计对象。如果你用的是官方推荐的新方差估计变量，survey代码大概是这样的：

library(survey) library(haven) # 读取示例数据，实际使用时换成你自己下载的文件路径 nhanes_demo <- read_xpt("DEMO_Y.XPT") nhanes_bio <- read_xpt("BIOPRO_Y.XPT") # 合并人口学数据和生化数据，按SEQN一一匹配 dat <- merge(nhanes_demo, nhanes_bio, by = "SEQN", all = TRUE) # 构建抽样设计 # 注意：id/strata/weights 的变量名务必先names()确认，再替换成当前数据文件里的实际名字 design <- svydesign( id = ~SDMVPSU, # 概率抽样单元 strata = ~SDMVSTRA, # 分层变量 weights = ~WTMEC2YR, # 当前分析所用权重变量 nest = TRUE, # NHANES的PSU是嵌套在层内的，必须设为TRUE data = dat ) # 查看加权后的人口学特征，核对是否符合官方报告 svymean(~RIDAGEYR, design, na.rm = TRUE)

如果你要合并多个周期，按新版思路我一般不会直接“除以周期数”了事，而是先看官方文档里有没有对应的合并权重说明。假如没有现成合并权重，我会额外增加一步敏感性分析，把两种处理方式的结果并排比较，确认结论没有因为权重处理方式而翻转。

顺便说一下，survey包里经常被忽略的一个参数是na.rm。NHANES里面的生化指标缺失值非常多，如果做svymean时不加na.rm=TRUE，函数会自动报错或者返回NA，很多人第一次跑就卡在这个地方。

3.2 Stata和SAS：换变量要注意的细节

如果你用的是Stata，单周期分析的核心命令是这样：

* 设置复杂抽样设计 svyset SDMVPSU [pw=WTMEC2YR], strata(SDMVSTRA) singleunit(centered) * 加权描述统计 svy: mean BMXBMI * 加权回归 svy: regress BMXBMI RIDAGEYR

Stata里有个非常关键的小细节：singleunit()参数的设置。NHANES有些层里只有一个PSU，如果你不设置singleunit(centered)或者singleunit(scaled)，方差估计会因为层内只有一个单元而输出缺失值，后面所有svy命令都会报错。这个设置在调用svyset时就要写好，而不是等报错再去改。

SAS用户使用的是proc surveyfreq、proc surveymeans这类过程。基本套路是：

proc surveyfreq data=dat; strata SDMVSTRA; cluster SDMVPSU; weight WTMEC2YR; tables RIAGENDR*DMDMARTL / row cl; run;

SAS里最容易踩的坑是变量标签和格式。XPT文件读进SAS后很多变量带着原始格式定义，如果你直接用tables语句跑某个分类变量，结果可能会把缺失值也当成一个类别展示。建议在使用前对关键格式变量做一次显式清理。

3.3 权重变量选择的判断流程

写了这么多年NHANES代码，我总结出一个比较稳妥的判断流程，按顺序问自己三个问题就能确定该用哪个权重。

第一个问题：这次分析是否涉及体检、实验室检测或者其他需要在MEC（移动体检中心）完成的测量？如果完全不涉及，只用问卷访谈数据，就优先选访谈权重；如果涉及任何体检指标（比如BMI、血压、血检尿检），就必须用体检权重，并且要先把体检权重为0的记录从分析子集中排除掉。

第二个问题：数据时间跨度是多少？如果只是单个两年周期，直接跟随官方文档选权重；如果要跨周期合并分析，那就去查当前数据发布说明里有没有关于合并分析的额外说明，不要凭旧口诀直接除周期数。

第三个问题：你的估计结果能不能复现官方报告里的关键数值？我会习惯性地先算一个总人口规模或者全人群患病率，和NCHS官方发布的图表对照一下。如果数量级都对不上，说明权重很可能用错了。这个验证步骤虽然简单，但对早期发现数据结构问题特别有效。

4. 常见问题与排查技巧实录

4.1 高频报错和诡异结果，先从权重查起

我在实际项目中遇到的权重相关错误，频率最高的大概是这么几类。

第一类是“变量不存在”。遇到这种情况，绝大多数时候不是数据没下载对，而是你下载的文件版本变了，变量名换了。解决办法是老老实实去翻数据字典，或者直接在R里grep("WT", names(dat), value = TRUE)把包含WT的变量全部列出来，你会很直观地看到当前数据里的权重变量有哪些。

第二类是“权重为0”。最典型的情况是把体检权重要求的指标和访谈权重混在一起，或者忘了排除权重为0的样本。处理方式是要在建模前加过滤条件，比如subset(dat, WTMEC2YR > 0)，千万不要在模型里带着一堆0权重样本硬跑。

第三类是“结果和官方报告差异巨大”。这个问题最隐蔽，背后的原因经常是方差估计变量用错。旧版和新版数据之间PSU和Stratum的命名或含义都有可能有调整，如果你沿用了旧代码里的变量名，标准误会偏小，置信区间会很窄。我现在的习惯是每次下载新周期数据后，先用最小模型验证一遍方差估计是否合理，再放完整模型。

4.2 多周期合并的权重误区

多周期合并是NHANES分析里最能体现“看起来简单、实际全是坑”的一个操作。

先说大家都知道的：合并两个连续两年周期时，权重做减半处理是常见做法。但这里有个隐藏前提，两个周期的抽样设计要足够接近。疫情之后，不同周期间的无响应模式和调整方式差异明显，继续沿用简单除2的做法，在部分分析里会明显高估或低估方差。我的建议是即便要用除2近似，也要同时跑一个不合并的敏感性分析，看主要结论是否稳健。

另一个常见误区是不管分析内容是什么，统一套同一个合并权重。实际上如果A周期里某个生化指标的可获得样本量和B周期差很多，那你合并后估计值的有效样本可能主要来自某一个周期，权重却还是“各占一半”。这个时候更稳妥的做法是检查每个周期关键暴露变量的缺失率和加权后的均值差异，如果两个周期差异很大，就要在论文或报告里明确讨论这个限制，而不是默不作声地合并。

4.3 几条我和团队一直在用的避坑经验

经验这个东西，都是拿跑出来的报错换的。几条一直沿用的习惯可以分享给你。

第一，永远保留一份原下载文件，不直接修改。XPT读进R或SAS后，很多人喜欢直接另存为RDS或dta继续处理，但原变量、原标签只保留在最早那份文件里。等需要核查变量出处时，回头找原始文件会省很多时间。

第二，每个新周期数据到手的第一个小时，别写分析代码，先把数据字典和权重说明文档通读一遍。NCHS发布的数据说明文档基本覆盖了权重变量如何选择、方差变量如何设置，这些内容比任何网上教程都可靠。遇到看不懂的术语，配合数据分析指南一起看。

第三，重要结论一定要做权重的敏感性分析。我一般会跑三版：用推荐权重、用旧的除周期数权重、不用权重只看样本内关联。三个结果放在一起，如果方向一致，说明结论比较稳健；如果方向都能翻转，那这个结论基本不能写进论文。别觉得这是浪费时间，实际上每次跑出问题，返回去查都是被这种“多此一举”救了场。

第四，注意子总体分析的处理方式。在survey设计对象里做子组分析，推荐方式是使用svyby或者subset(design, ...)，而不是在进入survey包之前就把非目标人群从数据框里删掉。提前删除会破坏权重校准的分母，导致子总体的加权结果系统性偏移。这一点在更新后的权重逻辑里尤其重要，因为新权重里增加了很多无响应调整因素，全样本和子样本的权重含义已经不完全相同。

这次NHANES更新带来的权重计算方式变化，短期看是让不少老代码“失效”了，但换个角度看，官方是在提醒我们：复杂抽样数据的方差估计和权重调整，不是一个可以在网上下个模板就一劳永逸的事。每次拿到新数据，多花十分钟确认变量名和官方指南，比跑出结果后再花一整天排查要划算得多。我自己现在的习惯是：下载数据后先在分析文档开头留一小节记录“本次使用的权重变量、方差变量、数据版本号”，这样哪怕一个月后回看代码，也能立刻知道当时分析的基础是什么。希望这篇记录能帮你少走几步弯路。