Gewichtung der NHANES-Umfrage: Wir haben dieselbe Analyse auf drei verschiedene Arten durchgeführt, und das Ergebnis hat sich um 45 % verschoben.

Veröffentlicht August 30, 2026

Jede Analyse der Nationalen Gesundheits- und Ernährungsuntersuchung (NHANES) basiert auf einer Entscheidung, die den meisten Autoren unbewusst getroffen wird. Die Gewichtung der NHANES-Daten wird entweder korrekt, nur teilweise oder gar nicht angewendet, wodurch sich die Ergebnisse um mehr als ein Drittel unterscheiden können. Wir haben dieselbe Frage auf drei verschiedene Arten denselben 5,018 Personen gestellt, um genau zu messen, wie stark diese Entscheidung ins Gewicht fällt. Das ungewichtete Ergebnis lag bei 14.85 Prozent, das korrekte bei 10.23 Prozent. An den Daten selbst hat sich zwischen diesen beiden Werten nichts geändert, nur die Analysemethode.

Was die Gewichtung der NHANES-Umfrage tatsächlich darstellt

NHANES verwendet eine geschichtete, mehrstufige Zufallsstichprobe. Bestimmte Gruppen, darunter ältere Erwachsene, einige ethnische Minderheiten und Teilnehmer mit niedrigem Einkommen, werden häufiger in die Stichprobe aufgenommen, um stabile Schätzwerte für diese Gruppen zu gewährleisten und diese veröffentlichen zu können. Dieses Studiendesign ist ein Merkmal der Studie und der Grund dafür, dass NHANES überhaupt verlässliche Aussagen über kleinere Bevölkerungsgruppen treffen kann.

Die Folge ist, dass ein Teilnehmer in der Datendatei nicht für einen einzelnen Amerikaner steht. Ein Teilnehmer kann 8,000 oder 80,000 Personen repräsentieren, je nachdem, wie wahrscheinlich es war, dass jemand mit ähnlichen Merkmalen ausgewählt wurde, ob er geantwortet hat und wie die Stichprobe an die Bevölkerungszahlen der Volkszählung angepasst wurde. Jede Gewichtungsvariable enthält diese Zahl. Die Analyse der Datei ohne diese Daten beantwortet eine Frage, die niemand gestellt hat: Wie die Stichprobe aussieht, nicht wie das Land insgesamt aussieht.

Drei Gewichtungsvariablen decken den Großteil der Arbeit ab. WTINT2YR bezieht sich auf alle im Haushaltsinterview erhobenen Daten. WTMEC2YR bezieht sich auf alle im mobilen Untersuchungszentrum gemessenen Daten und ist für die meisten Analysen relevant, da Labor- und körperliche Messungen von dort stammen. Biomarker aus Nüchternproben und Ernährungsprotokolle vom zweiten Tag haben wiederum ihre eigene Gewichtung. Die Wahl der falschen Variable führt zwar nicht zu einem Fehler, verfälscht aber unbemerkt alle Schätzungen in der Studie.

Der von uns durchgeführte Test

Wir haben die NHANES-Daten von 2017 bis 2018, den aktuellsten vollständigen und eigenständigen Erhebungszyklus, herangezogen und eine bewusst einfache Frage gestellt: Welcher Anteil der US-amerikanischen Erwachsenen ab 20 Jahren hat einen HbA1c-Wert von 6.5 Prozent oder höher – den Laborwert, der zur Diagnose von Diabetes herangezogen wird? Einfache Fragen sind hier der richtige Ansatz, da etwaige Fehler nicht auf die Komplexität der Modellierung zurückgeführt werden können.

Nach Zusammenführung der demografischen Daten mit den Glykohämoglobinwerten und Beschränkung auf Erwachsene mit gültiger Messung und positivem Untersuchungsgewicht verblieben 5,018 Teilnehmer. Anschließend wurde dieselbe Anzahl auf drei verschiedene Arten geschätzt.

Die einfache Analyse, bei der alle Teilnehmer als ein einziger Amerikaner behandelt wurden, ergab einen Wert von 14.85 % (Konfidenzintervall: 13.86–15.83 %). Die Anwendung von WTMEC2YR ohne Berücksichtigung von Schichten oder Clustern ergab einen Wert von 10.23 % (Intervall: 9.08–11.38 %). Die korrekte Spezifikation mit der Gewichtung der Prüfung, der Schichtvariable SDMVSTRA, der Clustervariable SDMVPSU und einer Subpopulationsbeschränkung anstelle eines Filters ergab ebenfalls einen Wert von 10.23 % (Intervall: 9.17–11.29 %).

Die Gewichtung veränderte die Punktschätzung um 4.62 Prozentpunkte, was einer relativen Überschätzung von 45 Prozent entspricht. Das ist keine geringfügige Rundungsdifferenz. In einem Manuskript bedeutet dies den Unterschied zwischen einer nachvollziehbaren nationalen Schätzung und einer Zahl, die ein Gutachter mit einem Satz abtun kann.

Warum die ungewichtete Zahl so falsch war

Die Richtung des Fehlers lässt sich vorhersagen, sobald man das Studiendesign kennt. In der NHANES-Studie 2017/2018 wurden ältere Erwachsene und verschiedene Gruppen mit höherer Diabetesprävalenz überrepräsentiert. Die gleichmäßige Zählung aller Teilnehmenden führt daher zu einer Überrepräsentation genau derjenigen Personen, die mit hoher Wahrscheinlichkeit den HbA1c-Schwellenwert überschreiten. Die Stichprobe ist nicht fehlerhaft, sondern wurde bewusst so zusammengestellt, und die Gewichtungsfaktoren dienen dazu, dies in der Analysephase zu korrigieren.

Unsere gewichtete Schätzung entspricht einer US-amerikanischen Erwachsenenbevölkerung von 229,445,508 Personen, was mit der auf Volkszählungsdaten basierenden Erwachsenenbevölkerung für diesen Zeitraum übereinstimmt. Die ungewichtete Zahl ist bedeutungslos. Sie beschreibt lediglich 5,018 zufällig ausgewählte Personen, und eine Verallgemeinerung dieser Daten ist nicht gerechtfertigt.

Eine wichtige Einschränkung gehört an diese Stelle und nicht ans Ende. Unser Ergebnis ist ein HbA1c-Wert von 6.5 Prozent oder höher, der enger gefasst ist als die Gesamtprävalenz von Diabetes. Er erfasst nicht Menschen mit diagnostiziertem Diabetes, deren Blutzuckerwerte unterhalb dieses Schwellenwerts gut eingestellt sind, und die veröffentlichten Gesamtprävalenzzahlen für Diabetes, die Selbstangaben mit Nüchternblutzuckerwerten kombinieren, liegen höher. Die Genauigkeit der Messung ist daher entscheidend.

Was Schichten und Cluster leisten, was Gewichte allein nicht leisten können

Man beachte, dass die Methoden zwei und drei zu einer identischen Punktschätzung führten. Allein die Gewichtung korrigierte die Verzerrung. Der Unterschied zwischen den Methoden lag im Konfidenzintervall, und genau diesen Aspekt übersehen Autoren am häufigsten.

Standardfehler hängen von der Stichprobenziehung ab. NHANES wählt zunächst Landkreise, dann Segmente und schließlich Haushalte aus. Daher ähneln sich zwei Teilnehmer derselben primären Stichprobeneinheit stärker als zwei zufällig ausgewählte Personen. Ignoriert man diese Struktur, wird die Stichprobe als aussagekräftiger eingeschätzt, als sie tatsächlich ist. Unser Designeffekt betrug 1.594, was bedeutet, dass die Varianz im Rahmen des realen Designs etwa 59 Prozent größer ist als bei einer einfachen Zufallsstichprobe gleicher Größe.

Die Freiheitsgrade folgen derselben Logik. Bei 15 Schichten und 30 primären Stichprobeneinheiten bietet dieses Design 15 Freiheitsgrade, nicht 5,017. Software, die nicht über das Design informiert ist, berechnet problemlos ein Intervall mit Tausenden von Freiheitsgraden und gibt eine Genauigkeit an, die die Erhebung nicht gewährleisten kann.

Was die korrekte Methode in verschiedenen Untergruppen aufzeigt

Die Anwendung des vollständigen Designs auf Untergruppen macht die Präzisionseinbußen kleiner Zellen sichtbar, die bei einer einfachen Analyse verborgen bleiben. Die gleiche Schätzung nach Rasse und ethnischer Zugehörigkeit an unseren 5,018 Erwachsenen ergab die untenstehenden Ergebnisse, jeweils unter Berücksichtigung von Gewichtungen, Schichten, Clustern und einer Einschränkung auf Untergruppen.

Tabelle 1. Gewichtete Prävalenz von HbA1c-Werten von ≥ 6.5 % nach ethnischer Zugehörigkeit und Herkunft, NHANES 2017–2018, Erwachsene ab 20 Jahren. Alle Schätzungen basieren auf WTMEC2YR mit SDMVSTRA, SDMVPSU und einer Subpopulationsbeschränkung. Die Konfidenzintervallbreite ist in Prozentpunkten angegeben.

Lesen Sie die letzte Spalte, nicht die dritte. Die kleinste Gruppe weist ein Intervall auf, das mehr als doppelt so groß ist wie das der größten. Das bedeutet, dass ein scheinbarer Unterschied zwischen diesen beiden Kategorien fast ausschließlich auf Rauschen beruhen könnte. Eine ungewichtete Analyse hätte durchweg engere Intervalle ergeben und genau die Überinterpretation begünstigt, die das Design eigentlich verhindern soll.

Hier geraten Autoren häufig in Konflikt mit Gutachtern. Die Angabe einer Untergruppenschätzung auf zwei Dezimalstellen ohne Angabe des Intervalls impliziert eine Genauigkeit von etwa 0.01 Punkten, wenn die tatsächliche Unsicherheit 8 Punkte umfasst. Gutachter, die mit Umfragedaten arbeiten, achten daher besonders auf dieses Muster.

Fünf Fehler bei der Gewichtung von Studien im Rahmen der NHANES-Umfrage, die zur Ablehnung von Veröffentlichungen führen

1. Die Daten filtern, anstatt eine Teilpopulation zu verwenden

Das häufigste Problem ist, dass vor dem Erstellen des Designobjekts Zeilen gelöscht werden, um die Stichprobe auf Erwachsene zu beschränken. Für die Varianzschätzung wird die vollständige Stichprobenstruktur benötigt, einschließlich der Schichten und Cluster, die die entfernten Beobachtungen enthalten. Werden diese zuerst gelöscht, entstehen Standardfehler, deren Richtung niemand im Voraus vorhersagen kann. Aus diesem Grund bietet jedes gängige Softwarepaket eine Option für Teilpopulationen.

2. Zusammenfassen von Zyklen ohne Aufteilung der Gewichte

Die Zusammenfassung von Zweijahreszyklen erfordert die Division der Gewichtungen durch die Anzahl der zusammengefassten Zyklen. Die Verkettung von vier Zyklen ohne Neuskalierung ergibt eine gewichtete Population, die etwa viermal so groß ist wie die der Vereinigten Staaten, und jeder Prüfer, der die Gesamtpopulation überprüft, wird dies sofort bemerken.

3. Zusammenfassung von Variablen, die nicht auf dieselbe Weise gemessen wurden

Labormethoden ändern sich zwischen den Zyklen. Das NCHS veröffentlicht Regressionsgleichungen, um spezifische Änderungen zu berücksichtigen. Wo keine solche Überbrückung möglich ist, müssen die betroffenen Zyklen ausgeschlossen werden. Die Zusammenfassung von Daten über eine Methodenänderung hinweg, ohne diese zu berücksichtigen, führt zu einem Messartefakt, der fälschlicherweise als Zeittrend interpretiert wird.

4. Meldung von Untergruppen, die zu klein sind, um eine Schätzung zu ermöglichen.

In unserer eigenen Untergruppenanalyse erweiterte sich das Konfidenzintervall von 3.5 Prozentpunkten in der größten Gruppe auf 8.1 Punkte in der kleinsten. Breite Intervalle sind ehrlich. Eine Schätzung für eine kleine Untergruppe ohne diese Intervalle oder ohne auf Instabilität hinzuweisen, ist es nicht.

5. Verwendung der Interviewgewichtung für Prüfungsdaten

Alle im mobilen Untersuchungszentrum durchgeführten Messungen erfordern die Gewichtung der Untersuchung. Die Verwendung der Gewichtung des Gesprächs für ein Laborergebnis ist ein stiller Fehler, da der Code ausgeführt wird und die Ausgabe plausibel erscheint.

Reproduziere dies selbst

NHANES ist öffentlich zugänglich. Es gibt keine Antragsstellung, keine Datenverwendungsvereinbarung und keine Gebühren, daher können alle oben genannten Zahlen unabhängig überprüft werden. Die vollständige Spezifikation in R ist kurz.

library(haven); library(survey); library(dplyr)

demo <- read_xpt("DEMO_J.xpt")   # NHANES 2017-2018 demographics
ghb  <- read_xpt("GHB_J.xpt")    # glycohaemoglobin

d <- demo %>%
  select(SEQN, RIDAGEYR, SDMVSTRA, SDMVPSU, WTMEC2YR) %>%
  left_join(select(ghb, SEQN, LBXGH), by = "SEQN") %>%
  mutate(
    inpop = RIDAGEYR >= 20 & !is.na(LBXGH) & WTMEC2YR > 0,
    dm    = as.integer(LBXGH >= 6.5)
  )

# Build the design on the FULL file, then subset. Never filter first.
des <- svydesign(ids = ~SDMVPSU, strata = ~SDMVSTRA,
                 weights = ~WTMEC2YR, nest = TRUE, data = d)

svymean(~dm, subset(des, inpop), na.rm = TRUE)   # 10.23%

Wir haben alle Abbildungen in diesem Artikel zweimal gegengeprüft, einmal in R und einmal unabhängig davon in Python. Dabei stellten wir sicher, dass Dateihash, Zeilenanzahl, gewichtete Gesamtbevölkerung, mittlerer HbA1c-Wert und beide Prävalenzschätzungen exakt übereinstimmten, bevor die Daten veröffentlicht wurden. Die Überprüfung einer Analyse in einem zweiten Analysetool deckt Parsing-Fehler auf, die von einer einzelnen Analysepipeline nicht erkannt werden.

Was Gewichtung nicht beheben kann

Die korrekte Gewichtung löst ein spezifisches Problem, nämlich die ungleiche Auswahlwahrscheinlichkeit. Mehrere andere Probleme bleiben davon unberührt, und ein Methodenteil, der etwas anderes suggeriert, weckt Skepsis.

Das Problem der Nichtteilnahme wird nur teilweise gelöst. Die Gewichtung der NHANES-Studie beinhaltet zwar eine Anpassung für Nichtteilnahme, diese basiert jedoch auf beobachteten Merkmalen. Wenn Personen aus Gründen, die mit dem Ergebnis zusammenhängen und nicht durch die Anpassungsvariablen erfasst werden, die Teilnahme verweigern, bleibt eine Restverzerrung bestehen, unabhängig davon, wie sorgfältig die Gewichtung angewendet wird.

Die Querschnittsstruktur bleibt unverändert. Jeder Teilnehmer wird nur einmal gemessen, sodass Exposition und Ergebnis gleichzeitig erfasst werden und kein zeitlicher Zusammenhang hergestellt werden kann. Selbst bei perfekter Gewichtung eines Querschnittszusammenhangs bleibt dieser bestehen, und seine Beschreibung in kausaler Sprache ist der zweithäufigste Einwand gegen diese Literatur.

Auch Messfehler bleiben bestehen. Selbstberichtete Angaben zu Ernährung, körperlicher Aktivität und Medikamenteneinnahme sind bekanntermaßen verzerrt, und die Anwendung von Gewichtungsfaktoren in Umfragen überträgt diese Verzerrung getreu auf die nationale Ebene, anstatt sie zu beseitigen. Die Gewichtung verbessert die Generalisierbarkeit, nicht aber die Genauigkeit der zugrunde liegenden Messung.

Was dies für Ihre NHANES-Arbeit bedeutet

Herausgeber sind im Umgang mit diesem Datensatz deutlich kritischer geworden, und es gibt nun Belege dafür. Maupin und Kollegen untersuchten in einem Artikel in BMC Medicine (2026) Publikationen aus dem Zeitraum von 2021 bis Juli 2025 und definierten Redundanz als die Analyse derselben Expositionen hinsichtlich derselben Ergebnisse in derselben nationalen Bevölkerungsgruppe. Sie stellten insbesondere bei NHANES erhebliche Duplikate fest und untersuchten, ob generative Tools die Erstellung standardisierter Manuskripte erleichtern, deren Überprüfung jedoch erschweren. Gutachter, denen ein NHANES-Manuskript zugewiesen wird, erwarten mittlerweile eine Vorlage.

Daraus ergeben sich zwei Konsequenzen. Eine Studie, die ein bereits publiziertes Expositions-Ergebnis-Paar wiederholt, wird unabhängig von der Qualität der Durchführung Schwierigkeiten haben. Daher muss die Neuartigkeit vor Beginn der Analyse nachgewiesen und nicht erst im Nachhinein argumentiert werden. Da der Gutachter bereits vorbereitet ist, kommt dem Methodenteil eine größere Bedeutung zu als üblich. Die Benennung der Gewichtungsvariablen, der Schicht- und Clustervariablen, des Subpopulationsansatzes und der Freiheitsgrade signalisiert Kompetenz in nur vier Zeilen; ihr Fehlen hingegen deutet ebenso schnell auf das Gegenteil hin.

Berichtsstandards sind hier hilfreich. Die STROBE-Checkliste für Beobachtungsstudien dient den meisten Gutachtern als Grundlage, und unser STROBE-Tutorial behandelt die Punkte, die häufig zu Einwänden führen. Auch die Registrierung sollte in Betracht gezogen werden; wir erläutern, warum auch retrospektive Studien registriert werden müssen . Wenn Ihre Arbeit Registerdaten anstelle von Umfragedaten umfasst, gelten dieselben Regeln für die Datenbereinigung (siehe sechs Techniken zur Bereinigung klinischer Registerdaten ) und für die Grenzen der Aussagekraft von Gelegenheitsstichproben (siehe unsere Überprüfung der Zuverlässigkeit der NEISS-Verletzungsstatistik) . Bei Fragestellungen, die tatsächlich kausal und nicht deskriptiv sind, eignen sich die Mendelsche Randomisierung und andere Instrumentalvariablenverfahren möglicherweise besser als eine Querschnittsstudie. Die Einordnung dieser Verfahren in die Evidenzhierarchie finden Sie in unserem Leitfaden zu Evidenzstufen in der klinischen Forschung.

Werkzeuge und Ressourcen

Professionelle Unterstützung bei der NHANES-Analyse

Wenn Sie es vorziehen, dass das Studiendesign von Anfang an korrekt umgesetzt wird, erstellen wir NHANES-Studien gemäß der oben beschriebenen Spezifikation und übergeben Ihnen den Code, sodass die Analyse von Ihnen oder einem Gutachter reproduziert werden kann.

Alles in dieser Kategorie ist unter Register- und Realweltdatenstudien aufgeführt.

Fazit

Die Anwendung der NHANES-Gewichte ist keine nachträglich hinzugefügte Formatierungsvorgabe. Sie entscheidet darüber, ob eine Zahl die Vereinigten Staaten oder eine Tabellenkalkulation beschreibt. Unser Test veränderte die Prävalenzprognose um 4.6 Prozentpunkte, und die Designvariablen, die keinen Einfluss auf die Punktschätzung hatten, veränderten dennoch das Konfidenzintervall und die zu dessen Verteidigung verfügbaren Freiheitsgrade.

Stellen Sie die Spezifikation korrekt und explizit dar. Ein Gutachter, der die Gewichtungsvariable, die Schichten, die Cluster und den Ansatz für die Subpopulation in Ihrem Methodenteil einsehen kann, hat keinen Grund, nach dem Fehler zu suchen, da Sie bereits gezeigt haben, dass er nicht vorhanden ist.

Referenzen

1. Maupin D, Suchak T, Barnett A, Spick M. Dramatischer Anstieg redundanter Veröffentlichungen im Zeitalter der generativen KI. BMC Medicine. 2026; 24 (1): 29. doi: 10.1186 / s12916-025-04569-y
2. Smirnova E, Cui E, Tabacu L, Leroux A. Skalar-auf-Funktions-Regression: Schätzung und Inferenz bei komplexen Umfragedesigns. Statistik in der Medizin. 2024; 43 (20). doi:10.1002/sim.10194
3. Nationales Zentrum für Gesundheitsstatistik. NHANES-Erhebungsmethoden und Analyserichtlinien. Zentren für Krankheitskontrolle und -prävention. wwwn.cdc.gov/nchs/nhanes/analyticguidelines.aspx
4. Nationales Zentrum für Gesundheitsstatistik. NHANES 2017-2018 Demografische Variablen und Stichprobengewichte (DEMO_J). wwwn.cdc.gov/Nchs/Nhanes/2017-2018/DEMO_J.htm
5. Nationales Zentrum für Gesundheitsstatistik. NHANES 2017-2018 Glykohämoglobin-Labordaten (GHB_J). wwwn.cdc.gov/Nchs/Nhanes/2017-2018/GHB_J.htm
6. Lumley T. Umfrage: Analyse komplexer Stichproben. R-Paket. cran.r-project.org/package=survey
7. von Elm E, Altman DG, Egger M, et al. Die STROBE-Erklärung (Strengthening the Reporting of Observational Studies in Epidemiology). The Lancet. 2007;370(9596):1453-1457. doi:10.1016/S0140-6736(07)61602-X

Die Analyse basierte auf den öffentlich zugänglichen NHANES-Daten 2017–2018 und wurde von Editverse durchgeführt. Alle Schätzungen wurden vor der Veröffentlichung unabhängig in R und Python reproduziert. Datenquelle: Centers for Disease Control and Prevention, National Center for Health Statistics.