{
  "id": "odds-ratio",
  "title": "比值比",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "比值比比较两组中事件发生的几率，用于衡量二元变量之间的关联。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "优势比",
    "比数比",
    "几率比",
    "OR"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/odds-ratio/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/odds-ratio/",
      "json": "https://aiwiki.page/en/odds-ratio.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "比值比（odds ratio，OR）是统计学中的一种度量，用于比较某事件在一组中发生的几率与其在另一组中发生的几率。它不同于概率之比：计算时，先将各组的事件发生概率除以事件不发生的概率，再求这两个比值之比。比值比广泛用于描述二元变量之间的关联，尤其常见于流行病学、病例对照研究和逻辑回归。(online.stat.psu.edu)"
    },
    {
      "heading": "定义与解释",
      "text": "对于发生概率为 \\(p\\) 的事件，其几率为\n\n\\[\\operatorname{odds}(p)=\\frac{p}{1-p}.\\]\n\n如果第 1 组和第 0 组的事件发生概率分别为 \\(p_1\\) 和 \\(p_0\\)，则两组的比值比为\n\n\\[\\mathrm{OR} =\\frac{p_1/(1-p_1)}{p_0/(1-p_0)} =\\frac{p_1(1-p_0)}{p_0(1-p_1)}.\\]\n\n当这两个概率均严格介于 0 和 1 之间时，比值比为有限的正数。OR 等于 1 表示两组的几率相同；大于 1 表示第 1 组的几率较高，小于 1 则表示其几率较低。例如，OR \\(=2\\) 表示几率为另一组的两倍，但不一定意味着概率也是两倍。因此，必须明确参照组以及所统计的事件。(online.stat.psu.edu)"
    },
    {
      "heading": "根据列联表计算",
      "text": "对于两个二元变量，可以将观测数据整理成列联表：\n\n | 事件发生 | 事件未发生\n第 1 组 | \\(a\\) | \\(b\\)\n第 0 组 | \\(c\\) | \\(d\\)\n\n样本比值比为\n\n\\[\\widehat{\\mathrm{OR}} =\\frac{a/b}{c/d} =\\frac{ad}{bc}.\\]\n\n这一表达式解释了它为何又称为交叉乘积比。它也可以写成 \\((a/c)/(b/d)\\)：交换两个变量的角色，其值保持不变。若将组别标签或事件标签中的任意一组对调，比值比就变为原来的倒数；若两者都对调，其值则保持不变。在总体层面，当各单元格的概率均为正时，OR \\(=1\\) 等价于这两个二元变量具有统计独立性。(online.stat.psu.edu)\n\n举一个计算示例：假设第 1 组的 100 个观测中有 40 个发生了该事件，而第 0 组的 100 个观测中有 20 个发生了该事件。则\n\n\\[\\widehat{\\mathrm{OR}} =\\frac{40\\times80}{60\\times20} =\\frac83\\approx2.67.\\]\n\n两组的概率分别为 0.40 和 0.20，因此概率之比为 2，而不是 2.67。"
    },
    {
      "heading": "与风险比的关系",
      "text": "风险比（RR），又称相对风险，直接比较事件发生的概率：\n\n\\[\\mathrm{RR}=\\frac{p_1}{p_0}.\\]\n\n根据定义可得到如下精确恒等式：\n\n\\[\\mathrm{OR} =\\mathrm{RR}\\frac{1-p_0}{1-p_1}.\\]\n\n当两组的事件发生概率都很小时，最后一个因子接近 1，因此比值比近似于风险比。这称为罕见结局近似。这一近似所涉及的是相关总体组别中的结局发生频率，而不只是经过有意选择的样本中病例所占的比例。对于常见结局，两者的差异可能很大。(pubmed.ncbi.nlm.nih.gov)\n\n仅凭比值比无法确定概率的绝对变化。如果已知基线概率 \\(p_0\\)，将定义式变形可得\n\n\\[p_1=\\frac{\\mathrm{OR}\\,p_0} {1-p_0+\\mathrm{OR}\\,p_0}.\\]\n\n因此，在不同的基线概率下，同一个比值比可以对应不同的概率变化。"
    },
    {
      "heading": "病例对照研究",
      "text": "在病例对照研究中，研究者按照结局状态抽取参与者，并比较他们的暴露史。由于纳入样本的病例数和对照数由研究者决定，样本中的结局比例通常不能直接用于估计总体风险。不过，在适当的抽样条件下，包括在各结局组内进行与暴露无关的抽样，暴露比值比仍可用于估计总体的结局比值比。(online.stat.psu.edu)\n\n所估计的总体指标还取决于对照的选择方式。从始终未成为病例的人群中抽取对照，估计的是结局比值比；采用风险集抽样或发病密度抽样，则可以估计发病率比，而不要求结局罕见。这些解释将研究设计的特性与比值比的数学定义区分开来。(pmc.ncbi.nlm.nih.gov)"
    },
    {
      "heading": "逻辑回归",
      "text": "在逻辑回归中，事件发生的条件概率的对数几率被建模为\n\n\\[\\log\\!\\left(\\frac{p}{1-p}\\right) =\\beta_0+\\beta_1x_1+\\cdots+\\beta_kx_k.\\]\n\n当其他预测变量保持不变，且不存在涉及 \\(x_j\\) 的交互作用时，\\(x_j\\) 每增加一个单位，几率就乘以\n\n\\[e^{\\beta_j}.\\]\n\n当 \\(x_j\\) 的变化量为 \\(\\Delta x_j\\) 时，相应的比值比为 \\(e^{\\beta_j\\Delta x_j}\\)。因此，对系数取指数后得到的值描述的是条件关联，而不是概率的固定变化量。(online.stat.psu.edu)"
    },
    {
      "heading": "统计不确定性",
      "text": "对于样本量足够大、观测相互独立且各单元格计数均为正的样本，样本比值比的对数的近似标准误为\n\n\\[\\operatorname{SE}\\!\\left(\\log\\widehat{\\mathrm{OR}}\\right) \\approx \\sqrt{\\frac1a+\\frac1b+\\frac1c+\\frac1d}.\\]\n\n将下式的两个端点分别取指数，即可得到近似的 95% 置信区间：\n\n\\[\\log\\widehat{\\mathrm{OR}} \\pm1.96\\, \\operatorname{SE}\\!\\left(\\log\\widehat{\\mathrm{OR}}\\right).\\]\n\n稀疏列联表和计数为零的单元格可能使这一近似不可靠或无法计算，因此需要采用适用于小样本的方法。对于配对观测，分析必须考虑其配对关系，而不能直接套用独立列联表的公式。(online.stat.psu.edu)"
    },
    {
      "heading": "调整与不可折叠性",
      "text": "比值比通常具有不可折叠性：总体层面的比值比，即边际比值比，可能与以另一个变量为条件的比值比不同，即使该变量并不是混杂因素。因此，未经调整的比值比与经回归调整的比值比之间存在差异，本身并不能证明存在混杂。条件比值比与边际比值比回答的是不同的统计问题。(pmc.ncbi.nlm.nih.gov)\n\n与其他关联指标一样，比值比本身不能确立因果关系。能否作出因果解释，还取决于研究设计以及关于混杂、选择和测量的假设。(cdc.gov)"
    }
  ],
  "links": [
    "statistics",
    "odds",
    "epidemiology",
    "probability",
    "contingency-table",
    "statistical-independence",
    "risk-ratio",
    "case-control-study",
    "logistic-regression",
    "conditional-probability",
    "logit",
    "standard-error",
    "confidence-interval",
    "confounding",
    "causation"
  ],
  "sources": [
    {
      "title": "Principles of Epidemiology: Lesson 3, Section 5",
      "url": "https://archive.cdc.gov/www_cdc_gov/csels/dsepd/ss1978/lesson3/section5.html"
    },
    {
      "title": "The relative merits of risk ratios and odds ratios",
      "url": "https://pubmed.ncbi.nlm.nih.gov/19414690/"
    },
    {
      "title": "Collapsibility in case-control studies",
      "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13221832/"
    },
    {
      "title": "Defining, Quantifying, and Interpreting “Noncollapsibility” in Epidemiologic Studies of Measures of “Effect”",
      "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC8530151/"
    },
    {
      "title": "Making apples from oranges: Comparing noncollapsible effect estimators and their standard errors after adjustment for different covariate sets",
      "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC7986756/"
    },
    {
      "title": "Analyzing and Interpreting Data",
      "url": "https://www.cdc.gov/field-epi-manual/php/chapters/analyze-interpret-data.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}