做临床、公卫或者营养流行病方向的朋友应该都绕不开NHANES数据库。我最早接触NHANES是在做膳食与代谢指标关联分析的时候当时本来打算申请某机构的数据结果流程走了两个月还没下来最后转向NHANES从下载到跑出初步结果只用了一个下午。NHANES的全称是National Health and Nutrition Examination Survey翻译过来就是美国国家健康与营养调查由CDC下属的国家卫生统计中心NCHS负责执行和维护。这个数据库之所以在科研圈里几乎“人手一份”核心原因就三个字免费、公开、海量。它覆盖了人口学、膳食、体检、实验室检验、内分泌、环境暴露甚至心理健康等多个维度对于想做横断面研究、工具变量探索、方法学验证的人来说几乎是不可替代的第一选择。这篇内容主要给刚接触NHANES的朋友做个系统性梳理从数据库的底层逻辑、官网怎么逛、文件怎么下载读取一直到变量筛选、数据合并和常见坑一条线走完。我尽量少讲虚的全是实际操作中验证过的东西适合医学生、临床医生、公卫研究者和数据分析师参照使用。1. NHANES是什么先摸清这个数据库的家底1.1 从名字看本质这不是一个简单的“问卷库”很多人第一次听说NHANES以为它就是一个问卷数据库这其实是一个比较大的误解。NHANES不是单一的数据集而是一套复杂的、多维度、持续进行的健康调查系统每一轮调查都同时收集访谈问卷、体格检查、实验室检测三类数据。说得直白一点一个人参加NHANES调查之后留下的记录不止是“他回答了什么”还包括“他被测量了什么”和“他血液里测出了什么”。这种结构对做数据分析的人来说是好事也是坏事。好事在于变量极其丰富从最基本的年龄性别到血常规、生化指标、重金属暴露、维生素水平、农药代谢物应有尽有坏事在于你需要掌握不同模块之间的关联方式否则很容易在合并数据的时候把自己绕晕。NHANES从1960年代就开始做全国性的健康检查1971年开始连续性的调查项目1999年起正式改成了连续进行的调查计划。也就是说从1999年到现在每个两年为一个调查周期数据每两年发布一次公开供全球研究者下载使用。这种“连续滚动的横断面调查”设计让它既能做单周期横断面分析也能通过合并多个周期来扩大样本量。1.2 数据分块问卷、检查、检验三大模块NHANES的数据可以从大体上拆成四个模块对应官网上不同的文件目录。第一个是人口学模块Demographics包含年龄、性别、种族、教育程度、婚姻状况、收入比等重要的人口与社会经济变量。第二个是问卷模块Questionnaire包含饮食摄入、吸烟饮酒、体力活动、慢性病史、用药情况、心理健康等大量自报信息。第三个是检查模块Examination包含身高、体重、腰围、血压、体脂率等由专业人员操作测得的体格指标。第四个是实验室模块Laboratory包含血常规、肝功能、肾功能、血脂、血糖、糖化血红蛋白、激素、维生素、重金属、环境化学物等生化检测结果。这套模块化设计的好处是逻辑清晰——你想用什么数据就去哪个目录下面找但伴随着的问题是一个分析往往需要同时用到好几张表。比如你想研究“肥胖和高血脂的关系”至少要用到人口学表拿年龄性别、身体测量表拿BMI、实验室表拿总胆固醇和甘油三酯。三张表拿下来数据合并就不可避免。1.3 连续周期制度为什么用“两年”作单位NHANES从1999年开始按两年一个周期发布数据1999-2000是第一个周期2001-2002是第二个2003-2004是第三个依次类推。每个周期的文件名带有一个固定的字母代号从A开始排1999-2000是A2001-2002是B2003-2004是C一路排下去。2015-2016是I2017-2018是J2017-2020是特殊的“P”周期新冠疫情导致调查中断后整合发布的pre-pandemic数据。为什么强调这个字母代号因为下载文件、写读取代码、合并多周期数据时你都得靠它来认文件。比如2015-2016周期的人口学文件就是DEMO_I.XPT身体测量文件是BMX_I.XPT总胆固醇文件是TCHOL_I.XPT后面这个“I”就是周期代号。记住这个规律你在官网找文件时基本不会迷路。两年一个周期还有一个实际含义每个周期的样本量大约是5000到10000人不等如果你做的是比较小众的暴露变量或结局变量单周期样本量可能不够那就需要合并多个周期。但多周期合并会涉及到权重调整等问题这一块后文会专门讲。2. 从浏览器到数据文件NHANES官网应该怎么逛2.1 官网入口与导航逻辑NHANES的数据官网是cdc.gov下的nchs/nhanes板块不需要注册账号不需要机构邮箱不需要审批流程直接就能访问和下载。这个体验在公共卫生数据圈里确实非常友好。首页上最重要的入口叫做“Questionnaires, Datasets, and Related Documentation”也就是问卷、数据集及相关文档的汇总页面。点进去之后你首先要选择调查周期。官网上通常会列出1999-2000一直到最近的周期选完周期后就能看到该周期下所有的数据文件列表。早期周期1999-2000到2011-2012的页面比较简朴就是一个长长的文件列表近年周期2013-2014之后的页面更偏数据库风格支持按模块筛选、按关键词查找变量还带在线codebook预览功能。不过无论页面形态怎么变底层逻辑没有变按周期选文件、按文件名认模块。2.2 核心下载页面按模块快速定位文件每个周期的数据文件页面上文件名的前缀是有固定规律的掌握了规律就不需要一个个点开看描述。人口学模块以DEMO开头身体测量模块以BMX或WHQ开头饮食问卷以DR和DSQ开头糖尿病问卷以DIQ开头血压相关以BPX开头实验室模块以比如TCHOL、TRIGLY、GLU、GHB、CBC等具体检测项目命名。举个例子如果你想做2015-2016周期的“BMI与血清总胆固醇关系”需要找的文件基本就是DEMO_I.XPT、BMX_I.XPT和TCHOL_I.XPT。文件名后面还可以点开“Doc”和“Codebook”分别查看问卷原文和变量字典。变量字典是接下来最常参考的文件。2.3 一个变量的完整文档长什么样下载一个变量之前我强烈建议先看它的Codebook也就是变量字典。点开任意一个文件的Codebook你会看到类似这样的结构每个变量的SAS标签名、英文全称、数据类型、取值范围、缺失值编码以及样本频数分布。以总胆固醇变量LBXTC为例它在TCHOL_I.XPT里的定义很清晰变量名LBXTC标签“Total Cholesterol (mg/dL)”是一个连续型数值变量同时文件里还会列出有效样本量、均值、标准差、分位数。旁边通常还会附一个说明告诉你该变量是基于哪种检测方法、在哪个实验室完成。对于做论文的人来说这部分信息可以直接引用到方法学部分。还有一类变量是分类变量比如种族变量RIDRETH1codebook会列出每一类的编码和标签比如1代表Mexican American2代表Other Hispanic3代表Non-Hispanic White4代表Non-Hispanic Black。以后再跑回归时记得把这些分类变量转成因子不要直接当连续变量丢进模型。3. 实操第一关下载、读取XPT文件并看懂数据结构3.1 文件格式XPT与常见读取方式NHANES数据文件的下载格式主要是XPT这是SAS的传输文件格式一个文件对应一张数据表。XPT的好处是兼容性强SAS、R、Python、SPSS都能读不需要额外购买软件。我自己最常用的读取工具是R语言中的haven包一行代码就能把XPT读进来library(haven) demo - read_xpt(DEMO_I.XPT) bmx - read_xpt(BMX_I.XPT) tchol - read_xpt(TCHOL_I.XPT)如果用的是Python推荐用pyreadstat库import pandas as pd import pyreadstat demo, meta pyreadstat.read_xport(DEMO_I.XPT) bmx, meta pyreadstat.read_xport(BMX_I.XPT) tchol, meta pyreadstat.read_xport(TCHOL_I.XPT)SAS用户直接用proc import就能读取proc import datafileDEMO_I.XPT outdemo dbmsxport replace; run;读进来之后建议先对一下行列数DEMO文件的每一行代表一个受检者行数应该等于该周期总样本量但BMX和TCHOL这类只有体检或实验室亚样本的文件行数会比DEMO少。这个差异很重要因为它直接影响你后面合并表的逻辑。3.2 样本量与权重第一次用NHANES最容易翻车的地方NHANES不是简单随机抽样而是采用了复杂的分层多阶段概率抽样设计。为了保证特定人群比如老年人、非裔美国人、西语裔人群的分析可靠性抽样时对部分亚群做了过度抽样。因此直接用原始样本来算全国代表性估计结果是偏的必须使用权重。打开DEMO文件后你会看到好几列权重变量最常碰到的有三个WTPFQX面访权重、WTMEC体检权重、WTMEC2YR两年周期体检权重。特别需要注意的是如果你分析的变量来自实验室检测或体格检查对应的分析样本是“MEC检查子样本”这时候必须使用MEC权重而不是面访权重。对于单周期分析直接用WTMEC2YR就是推荐做法。如果你合并了多个周期比如把2015-2016和2017-2018两个周期合并就不能简单地把两个WTMEC2YR相加而是要根据新的合并样本构造分析权重。这个问题很常见后续我单独写一段展开。3.3 合并多张表的正确姿势一切以SEQN为锚点NHANES各张表之间通过一个唯一的受检者编号SEQN关联类似关系数据库里的主键。每一行数据的SEQN在整个调查周期内是唯一的你只需要用SEQN做合并即可。R里用dplyr的inner_join或left_join都行。我个人的经验是先确定你的分析人群优先以DEMO为主表做left join把相关变量逐一接进来而不是把所有表做笛卡尔积式的大合并。这样既减少内存压力也更容易追踪样本量变化。merged - demo %% select(SEQN, RIAGENDR, RIDAGEYR, RIDRETH1, WTMEC2YR) %% left_join(select(bmx, SEQN, BMXBMI), by SEQN) %% left_join(select(tchol, SEQN, LBXTC), by SEQN)这里有几个细节要提醒。一是老版本的文件中变量可能用大写读进R后要统一变量名大小写二是部分文件里的SEQN是数值型另一部分可能是字符型合并前最好统一类型否则匹配不上三是空洞值非常多尤其是实验室变量很多受检者没有抽血或者没有检测结果这种缺失是正常的关键是要在论文里写明最终纳入样本量。4. 变量筛选与数据清洗从“有数据”到“能分析”4.1 用Codebook确定变量取值范围新手拿到数据后最常见的操作就是把变量一股脑丢进模型然后发现结果出现奇怪的系数或者报错。其实大部分问题在Codebook阶段就能规避。比如你想用“糖尿病问卷中的确诊情况”这个变量codebook里通常会给出三类编码1代表有糖尿病2代表没有3代表临界状态7代表拒绝回答9代表不知道。分析前你至少要做两件事把7和9这类非有效回答设为缺失把1和2明确转成二进制变量。很多人忽略了一个细节就是某些变量在特定周期内的编码并不完全一致比如同一个“教育程度”变量2011-2012周期和2015-2016周期的分类可能不同跨周期合并时必须先统一编码否则结果完全不可比。4.2 几类必须处理的编码细节NHANES数据里的“缺失”并不只有一种表现形式。数值型变量通常用“.”表示缺失但分类变量里常常用7、9这类代码表示拒绝回答或不知道实验室检测值有时候会因为低于检测下限被标记为某个固定值比如“LOD”或者“LLOQ”这类值在codebook里会专门说明需要根据说明决定是保留还是转为缺失。连续性变量还有一个常见坑单位不一致。比如血糖变量有的周期以mg/dL为单位有的可能同时给出SI单位mmol/L总胆固醇变量也有传统单位和国际单位两套。跨周期合并或者参考文献做阈值判断时必须把单位统一。这个坑我踩过不止一次进回归之前把summary跑一遍看到异常范围值就要警觉。4.3 样本量估计与连续性变量的合并期数做NHANES数据分析样本量估算往往不是按常规的检验效能公式而是受限于“某变量有多少非缺失值”。比如你想研究“尿中某重金属与血脂的关联”重金属检测是随机抽取的亚样本可能整个周期只有1500人左右有检测值按暴露四分位分组后每组不到400人再加协变量后模型可能就很不稳定。这时候通常的做法是合并多个周期。合并周期不是简单把文件拼接起来核心问题是权重。比较粗略的做法是把每个周期的WTMEC2YR除以合并周期数当作近似的新权重学术上更严谨的做法是查阅NCHS发布的权重构造指南或者找专门的复权方法文献。实操上我在合并2013-2014和2015-2016两个周期时会先分别提取两个周期各自的目标变量统一变量名和编码再按SEQN上下堆叠最后把新权重列设为WTMEC2YR/2。这样做近似可接受但如果审稿人较真权重构造还是要在方法部分写清楚。5. NHANES使用避坑指南我替你们踩过的坑5.1 权重怎么选Interview Weight和MEC Weight的差别这是NHANES初学者最常搞混的地方。简单说面访权重WTPFQX适用于纯问卷数据体检权重WTMEC适用于所有在移动检查中心完成的测量数据比如血压、身高体重、实验室检测。大部分临床指标分析用的都是MEC权重因为抽血和体格测量都在MEC里完成。我见过不少帖子直接拿面访权重分析血脂数据结果估计值和官方报告差了一大截。还有一个细节是空腹亚样本权重WTSAF2YR适用于空腹血糖、胰岛素等需要空腹抽血的项目。你要分析空腹血糖就必须用这个权重而不是普通的WTMEC2YR。文件说明里会明确标注“Use WTSAF2YR for fasting subsample”这一行字一定要看到。5.2 缺失值背后有讲究同样是缺失原因却可以完全不同。NHANES里的缺失可能是“没有参加体检”“参加了体检但没抽血”“抽了血但检测失败”“检测结果低于检测下限”等多种情况。不同原因对应的处理方式是不同的。最典型的是“低于检测下限”这种情况常见于重金属、维生素D、部分环境化学物。有的周期直接把检测下限值填进去有的周期填的是某个推导值还有的周期会在标记变量中告知你比例。如果你直接忽略这些信息做log转换得到的分布可能严重失真。对这个问题的处理没有统一标准但至少你要在方法部分交代清楚你是如何对待这些非典型值的。我个人的习惯是先看codebook里的说明再看变量分布最后决定是保留原值、转成LOD/2还是做敏感性分析。5.3 不同周期的变量名与编码未必相同这是跨周期合并的另一个大坑。NHANES的变量命名总体有连续性但同一个变量在不同周期的文件里可能存在细节差异。比如某个变量在2011-2012周期叫DID040到了2013-2014可能变成DID050某个分类变量的编码在2009-2010和2011-2012之间也可能调整过选项。所以跨周期合并时最稳妥的做法是先把每个周期的目标变量单独抽出来逐一核对codebook中的标签、类型、取值编码、单位全部统一后再合并。不要抱着“变量名看着差不多就直接rbind”的心态不然跑出来的结果事后根本没法解释。下面是几个我用NHANES过程中遇到的典型问题整理成一张速查表方便大家对照现象可能原因处理方式读取XPT文件报错文件下载不完整或版本过旧重新下载R中用haven、Python中用pyreadstat重新读取合并后样本量骤减到几百用inner_join把没有实验室结果的样本全丢掉了明确分析目标和暴露/结局变量来源合理选择left_join或inner_join加权后人群估计和官方报告差很多权重选错比如该用WTMEC用了WTPFQX回到codebook检查建议权重特别是亚样本变量连续变量范围异常单位不一致比如mg/dL与mmol/L混用核对codebook中的单位说明统一后再分析分类变量回归突然报错编码里有7、9等无效值先将拒绝回答/不知道编码设为缺失两个周期合并后分布出现断层两周期变量编码或检测方法不完全一致逐周期核对变量标签与取值必要时做敏感性分析第6个问题值得再强调一下NHANES不同周期的实验室检测方法可能更新过即使变量名一样数值的可比性也可能受影响。比如某段时期的血糖检测从酶法换成了己糖激酶法虽然总体偏差不大但严谨的研究都应该把“检测方法”作为敏感因素讨论。写到这里我想到一个很实际的小建议第一次用NHANES做完整分析最好先拿一个已经发表的目标变量组合练手比如“BMI和总胆固醇”从官方文档里找到他们的分析规范努力复现官方表格里的人群均值。这个过程能逼你把权重、合并、缺失处理这些基本功全部过一遍比看十篇教程都管用。我当初就是这么入门的复现出一张官方表格时的那种踏实感是刷代码永远体会不到的。后面我会继续写NHANES的进阶主题包括多周期合并的权重构造细节、常见研究设计怎么选样本、以及如何把结果整理成符合论文要求的描述性表格。