게재
국민건강영양조사(NHANES)에 대한 모든 분석은 대부분의 연구자들이 무의식적으로 내리는 선택에 달려 있습니다. NHANES 조사 가중치는 정확하게 적용되거나, 부분적으로 적용되거나, 아예 무시되는 세 가지 방식으로 사용되는데, 그 결과 수치가 3분의 1 이상 차이가 날 수 있습니다. 우리는 동일한 5,018명을 대상으로 같은 질문에 대해 세 가지 방식으로 분석을 진행하여 그 선택이 얼마나 중요한 영향을 미치는지 정확히 측정했습니다. 가중치를 적용하지 않은 결과는 14.85%였고, 정확한 답변은 10.23%였습니다. 두 수치 사이에는 데이터 자체는 아무런 변화가 없었고, 분석 방식만 달라졌습니다.
간단한 단어로
NHANES는 미국인을 균등하게 표본 추출하지 않습니다. 연구자들이 충분한 데이터를 확보할 수 있도록 일부 집단은 의도적으로 과표집됩니다. 만약 이 자료에 있는 사람들을 모두 동일한 수의 미국인을 대표하는 것으로 간주한다면, 국가 전체의 통계에서 잘못된 결과를 얻게 됩니다. 가중치는 이러한 오류를 수정합니다. 저희 테스트에서 특정 집단을 제외했을 때, 특정 질병의 유병률이 실제보다 45% 더 높은 것처럼 보였습니다.
NHANES 설문조사 가중치가 실제로 나타내는 것은 무엇인가
NHANES는 층화 다단계 확률 표본 추출 방식을 사용합니다. 노인, 특정 인종 및 민족 집단, 저소득층 참가자 등 특정 집단은 더 높은 비율로 표본 추출되어 해당 집단의 추정치가 발표될 만큼 안정적입니다. 이러한 설계 방식은 NHANES의 특징이며, 바로 이 때문에 NHANES는 소규모 인구에 대해서도 신뢰할 만한 결과를 도출할 수 있는 것입니다.
결과적으로 데이터 파일의 참가자 한 명이 미국인 한 명을 대표하지 않게 됩니다. 참가자 한 명은 8,000명을 대표할 수도 있고 80,000명을 대표할 수도 있는데, 이는 그 참가자와 유사한 사람이 선정될 확률, 응답 여부, 그리고 표본이 인구 조사 총계에 맞춰 조정된 방식에 따라 달라집니다. 각 가중치 변수에는 이러한 숫자가 반영되어 있습니다. 이러한 변수를 제외하고 파일을 분석하는 것은 아무도 묻지 않은 질문, 즉 국가 전체의 모습이 아니라 표본의 모습을 보여주는 것에 대한 답을 제시하는 꼴이 됩니다.
세 가지 가중치 변수가 대부분의 분석에 적용됩니다. WTINT2YR은 가구 면접 조사에서 수집된 모든 데이터에 적용됩니다. WTMEC2YR은 이동식 검진 센터에서 측정된 모든 데이터에 적용되며, 실험실 및 물리적 측정값이 모두 이동식 검진 센터에서 얻어지기 때문에 대부분의 분석에 필수적입니다. 공복 상태의 부분 표본 생체지표와 2일차 식이 섭취량 조사 또한 각각 고유한 가중치를 가집니다. 잘못된 변수를 선택한다고 해서 오류가 발생하는 것은 아니지만, 논문에 제시된 모든 추정치에 은밀한 편향을 초래합니다.
우리가 진행한 테스트
우리는 가장 최근의 완전한 독립형 주기인 2017~2018년 NHANES 데이터를 사용하여 의도적으로 간단한 질문을 던졌습니다. 20세 이상 미국 성인 중 HbA1c 수치가 6.5% 이상인 사람의 비율은 얼마나 될까요? (이 수치는 당뇨병 진단에 사용되는 실험실 기준입니다.) 간단한 질문이 이 경우에 적합한 검증 방법입니다. 왜냐하면 발생하는 오류를 모델링의 복잡성 탓으로 돌릴 수 없기 때문입니다.
인구통계 파일과 당화혈색소 파일을 병합하고 유효한 측정값과 양성 검사 결과를 가진 성인으로 제한한 후, 5,018명의 참가자가 남았습니다. 그런 다음 동일한 수량을 세 가지 방법으로 추정했습니다.

단순 분석에서는 모든 참가자를 한 명의 미국인으로 간주하여 14.85%의 결과(신뢰구간 13.86~15.83%)를 얻었습니다. WTMEC2YR을 적용하되 층화 또는 군집을 지정하지 않은 경우에는 10.23%(신뢰구간 9.08~11.38%)의 결과가 나왔습니다. 시험 가중치, 층화 변수 SDMVSTRA, 군집 변수 SDMVPSU를 포함하고 필터 대신 하위 모집단 제한을 적용한 올바른 분석에서는 10.23%(신뢰구간 9.17~11.29%)의 결과가 나왔습니다.
가중치를 적용한 결과 추정치가 4.62%포인트 변동했는데, 이는 상대적으로 45% 과대평가된 수치입니다. 이는 단순한 반올림 차이가 아닙니다. 논문에서 이는 타당한 국가 추정치와 심사자가 단 한 문장으로 일축할 수 있는 수치 사이의 차이를 의미합니다.
가중치를 적용하지 않은 수치가 왜 그렇게 잘못되었는지
설계 방식을 알면 오류의 방향을 예측할 수 있습니다. NHANES 2017~2018은 고령층과 당뇨병 유병률이 높은 여러 집단을 과표집했습니다. 따라서 각 참가자를 동일하게 계산하면 HbA1c 기준치를 넘을 가능성이 가장 높은 사람들을 과대대표하게 됩니다. 표본 자체가 잘못된 것이 아니라 의도적으로 그렇게 설계되었으며, 분석 단계에서 이를 보정하기 위한 가중치가 존재합니다.
가중치를 적용한 추정치는 미국 성인 2억 2,944만 5,508명에 해당하며, 이는 해당 기간의 인구 조사 기반 성인 인구와 일치합니다. 가중치를 적용하지 않은 수치는 아무런 의미가 없습니다. 이는 우연히 표본 추출된 5,018명의 개인을 나타내는 것이며, 이를 일반화하는 것은 타당하지 않습니다.
한 가지 주의할 점은 결론 뒤에 숨기기보다는 여기서 언급하는 것이 좋겠습니다. 저희 연구의 결과 변수는 HbA1c 6.5% 이상인데, 이는 전체 당뇨병 유병률보다 범위가 좁습니다. 진단받은 당뇨병이 해당 기준치 이하로 잘 관리되고 있는 사람들을 포함하지 않으며, 자가 보고와 공복 혈당을 합산한 기존 당뇨병 통계는 더 높은 수치를 보여줍니다. 측정 항목의 정확성이 이 연구의 핵심입니다.
가중치만으로는 할 수 없는 계층과 클러스터의 역할
두 번째 방법과 세 번째 방법이 동일한 점추정치를 산출했다는 점에 주목하십시오. 가중치만으로 편향이 해결되었습니다. 두 방법 간의 차이점은 신뢰구간이며, 저자들이 가장 흔히 간과하는 부분이 바로 이 차이입니다.
표준 오차는 표본 추출 방식에 따라 달라집니다. NHANES는 먼저 카운티를 선택하고, 그 다음 세그먼트, 마지막으로 가구를 선택합니다. 따라서 동일한 1차 표본 추출 단위에서 추출된 두 참가자는 무작위로 추출된 두 낯선 사람보다 서로 더 유사합니다. 이러한 구조를 무시하면 표본이 실제보다 더 많은 정보를 담고 있는 것처럼 취급하게 됩니다. 우리의 설계 효과는 1.594였는데, 이는 실제 설계 하에서의 분산이 동일한 크기의 단순 무작위 표본에서 얻을 수 있는 분산보다 약 59% 더 크다는 것을 의미합니다.
자유도 역시 같은 논리를 따릅니다. 15개의 층화 변수와 30개의 1차 표본 추출 단위를 사용하는 이 설계는 5,017이 아닌 15의 자유도를 제공합니다. 설계에 대한 정보를 제공받지 않은 소프트웨어는 수천 개의 자유도에 걸쳐 신뢰 구간을 계산하고 실제 조사에서 보장할 수 없는 정밀도를 보고할 수 있습니다.
올바른 방법이 하위 그룹 전반에 걸쳐 보여주는 것은 무엇일까요?
전체 설계 방식을 하위 그룹에 적용하면 단순 분석에서는 드러나지 않는 소규모 셀의 정밀도 비용을 확인할 수 있습니다. 5,018명의 성인을 대상으로 인종 및 민족별로 동일한 추정치를 적용한 결과는 아래와 같습니다. 모든 결과에는 가중치, 층화, 클러스터 및 하위 집단 제한이 적용되었습니다.
| 그룹 | n | HbA1c 6.5% 이상 | 95 % CI | CI 너비 |
|---|---|---|---|---|
| 비히스패닉계 백인 | 1,747 | 9.29% | 7.55 ~ 11.03 | 3.48 |
| 비히스패닉계 흑인 | 1,149 | 13.41% | 11.28 ~ 15.54 | 4.26 |
| 비히스패닉계 아시아인 | 708 | 13.13% | 11.12 ~ 15.14 | 4.02 |
| 멕시코 계 미국인 | 682 | 11.28% | 9.42 ~ 13.14 | 3.72 |
| 기타 히스패닉 | 479 | 9.17% | 6.29 ~ 12.06 | 5.77 |
| 기타 또는 다인종 | 253 | 11.43% | 7.37 ~ 15.49 | 8.12 |
표 1. 인종 및 민족별 HbA1c 6.5% 이상 유병률(가중치 적용), NHANES 2017-2018 20세 이상 성인. 모든 추정치는 SDMVSTRA, SDMVPSU 및 하위 집단 제한을 적용한 WTMEC2YR을 사용합니다. 신뢰구간 너비는 백분율 포인트입니다.
세 번째 열이 아니라 마지막 열을 읽어보세요. 가장 작은 그룹의 간격이 가장 큰 그룹보다 두 배 이상 넓습니다. 즉, 두 범주 간의 겉보기 차이는 거의 대부분 잡음일 수 있습니다. 가중치를 적용하지 않은 분석은 전체적으로 더 좁은 간격을 만들어 설계 의도와 정반대의 과잉 해석을 초래했을 것입니다.
저자들이 심사 과정에서 어려움을 겪는 부분이 바로 이 지점입니다. 하위 그룹 추정치를 소수점 둘째 자리까지 보고하면서 구간을 생략하는 것은 실제 불확실성이 8포인트에 걸쳐 있을 때 대략 0.01포인트의 정밀도를 의미합니다. 설문조사 데이터를 다루는 심사자들은 이러한 패턴을 먼저 확인하는 경향이 있습니다.
NHANES 설문조사 가중치 계산에서 논문이 반려되는 5가지 이유
1. 하위 모집단을 사용하는 대신 데이터를 필터링합니다.
설계 객체를 생성하기 전에 행을 삭제하여 성인으로 제한하는 것이 가장 흔한 오류입니다. 분산 추정에는 삭제된 관측치를 포함하는 계층과 클러스터를 비롯한 전체 표본 구조가 필요합니다. 이러한 관측치를 먼저 삭제하면 누구도 예측할 수 없는 방향으로 표준 오차가 잘못 계산됩니다. 모든 주요 패키지에서 하위 모집단 옵션을 지원하는 이유는 바로 이러한 문제를 해결하기 위해서입니다.
2. 가중치를 나누지 않고 사이클을 통합합니다.
2년 주기 데이터를 결합하려면 가중치를 결합되는 주기의 수로 나누어야 합니다. 재조정 없이 4개의 주기 데이터를 결합하면 가중치가 적용된 인구 규모가 미국 인구의 약 4배가 되며, 인구 총계를 확인하는 검토자는 이를 즉시 알아챌 것입니다.
3. 측정 방식이 다른 변수들을 통합하기
실험실 방법은 주기마다 변경됩니다. NCHS는 특정 변경 사항을 연결하기 위한 회귀 방정식을 발표하며, 연결 방정식이 없는 경우에는 해당 주기를 제외해야 합니다. 방법론 변경을 고려하지 않고 데이터를 통합하면 측정 오류가 잘못된 시간 추세로 이어질 수 있습니다.
4. 추정치를 뒷받침하기에 너무 작은 하위 그룹을 보고함
우리가 분석한 하위 그룹별 결과에서 신뢰 구간은 가장 큰 그룹의 3.5%포인트에서 가장 작은 그룹의 8.1%포인트로 넓어졌습니다. 넓은 신뢰 구간은 사실을 있는 그대로 보여주는 것입니다. 하지만 신뢰 구간을 제시하지 않거나 불안정성을 언급하지 않고 소규모 하위 그룹 추정치를 제시하는 것은 옳지 않습니다.
5. 시험 데이터에 대한 면접 가중치 사용
이동식 검사 센터에서 측정하는 모든 항목에는 검사 가중치가 필요합니다. 실험실 검사 결과에 인터뷰 가중치를 사용하는 것은 코드가 실행되고 출력 결과가 그럴듯해 보이기 때문에 눈에 띄지 않는 오류입니다.
이것을 직접 복제하세요
NHANES는 공개 데이터입니다. 신청서도, 데이터 사용 계약도, 수수료도 없으므로 위의 모든 수치는 독립적으로 확인할 수 있습니다. R을 사용한 전체 코드 사양은 간결합니다.
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%
본 논문의 모든 수치는 R과 Python에서 각각 한 번씩, 총 두 번 교차 검증하여 파일 해시, 행 개수, 가중 인구 총계, 평균 HbA1c, 그리고 두 가지 유병률 추정치가 정확히 일치하는지 확인한 후 게시했습니다. 두 번째 분석 엔진을 통해 검증하면 단일 파이프라인으로는 발견할 수 없는 구문 분석 오류를 찾아낼 수 있습니다.
가중치로 해결할 수 없는 것
적절한 가중치 부여는 선택 확률의 불균등이라는 특정 문제를 해결합니다. 그러나 다른 여러 위협 요인들은 그대로 남아 있으며, 그렇지 않다는 것을 암시하는 방법론 부분은 회의론을 불러일으킵니다.
응답률 저조 문제는 부분적으로만 해결됩니다. NHANES 가중치에는 응답률 저조 조정이 포함되어 있지만, 이 조정은 관찰된 특성에 의존합니다. 만약 사람들이 결과와 관련된 이유로 참여를 거부하고, 그 이유가 조정 변수에 반영되지 않는다면, 가중치를 아무리 신중하게 적용하더라도 잔여 편향이 남게 됩니다.
횡단면 구조는 변하지 않습니다. 모든 참가자는 한 번만 측정되므로 노출과 결과가 동시에 기록되어 시간적 선후 관계를 확립할 수 없습니다. 횡단면적 연관성에 가중치를 완벽하게 부여하더라도 여전히 횡단면적 연관성이 남으며, 이를 인과적 언어로 설명하는 것은 이 연구 문헌에서 두 번째로 많이 제기되는 반론입니다.
측정 오류 또한 여전히 존재합니다. 자가 보고 방식의 식이 섭취량, 신체 활동량, 약물 사용량 조사에는 보고 편향이 있는 것으로 알려져 있으며, 설문조사 가중치를 적용하면 이러한 편향이 제거되는 것이 아니라 오히려 국가 전체 수준에 그대로 반영됩니다. 가중치는 측정의 정확성이 아니라 일반화 가능성을 향상시키는 데 그칩니다.
이것이 NHANES 논문에 미치는 영향은 무엇일까요?
편집자들이 이 데이터 세트에 대해 훨씬 더 예리해졌으며, 그 이유를 뒷받침하는 증거가 나왔습니다. Maupin과 동료들은 2026년 BMC Medicine에 발표한 논문에서 2021년부터 2025년 7월까지 발표된 논문을 검색하고, 동일한 국가 인구를 대상으로 동일한 노출 요인과 동일한 결과를 분석하는 것을 중복으로 정의했습니다. 그들은 특히 NHANES 데이터를 기반으로 한 상당한 중복을 발견했으며, 생성 도구가 정형화된 논문 제출을 더 쉽게 만들고 검토를 더 어렵게 만드는지 여부를 조사했습니다. 이제 NHANES 원고를 검토하는 사람들은 원고가 템플릿처럼 구성되어 있을 것이라고 예상하고 접근합니다.
두 가지를 명심해야 합니다. 이미 발표된 노출-결과 쌍을 반복하는 연구는 실행 품질과 관계없이 어려움을 겪을 수밖에 없으므로, 분석 시작 전에 독창성을 입증해야 하며, 나중에 주장해서는 안 됩니다. 또한 심사자는 이미 연구 내용을 미리 알고 있기 때문에 방법론 부분이 평소보다 더 중요한 비중을 차지합니다. 가중 변수, 층화 및 군집 변수, 하위 집단 접근법, 자유도를 명시하는 것은 단 네 줄만으로도 연구 역량을 보여주는 신호이며, 이러한 내용이 없다면 그 반대의 신호로 빠르게 비춰질 것입니다.
보고 표준은 이러한 과정에서 도움이 됩니다. 관찰 연구에 대한 STROBE 체크리스트는 대부분의 검토자가 참고하는 자료이며, 저희 STROBE 튜토리얼에서는 이의 제기가 흔히 발생하는 항목들을 다루고 있습니다. 연구 등록 또한 고려해야 할 사항이며, 후향적 연구라 하더라도 등록해야 하는 이유 에 대한 근거를 제시하고 있습니다 . 설문조사 데이터가 아닌 등록 데이터를 사용하는 경우, 임상 등록 데이터 정제에 관한 6가지 기법 과 편의 표본 추출의 한계에 대한 저희 NEISS 상해 통계 신뢰성 검토에서 다룬 것처럼 데이터 정제에 동일한 원칙이 적용됩니다 . 질문이 서술적인 것이 아니라 진정한 인과관계를 규명하는 경우, 횡단면 설문조사보다는 멘델 무작위화나 기타 도구변수 접근법이 더 적합할 수 있습니다. 이러한 방법들이 근거 위계상 어디에 위치하는지에 대해서는 임상 연구 근거 수준 가이드를 참조하십시오.
도구 및 리소스
Editverse 무료 도구
GraphPro는 t-검정, ANOVA, 상관관계 및 카이제곱 p-값을 내장한 25가지 유형의 출판용 차트를 생성합니다. 무료이며 가입이 필요 없습니다.
StatPro는 그룹 비교, 범주형 결과, 사건 발생 시간 분석 및 진단 정확도를 다루는 무료 통계 계산기와 검사 선택 도구를 제공합니다.
Flowchart Pro는 PRISMA 2020, PRISMA-ScR, CONSORT, STROBE, STARD, MOOSE 및 ARRIVE 흐름도를 브라우저에서 직접 생성합니다.
NHANES 분석 전문 지원
만약 설문조사 설계가 처음부터 제대로 이루어지기를 원하신다면, 저희는 위에서 설명한 사양에 맞춰 NHANES 연구를 구축하고 분석 코드를 제공하여 귀하 또는 검토자가 분석을 재현할 수 있도록 지원합니다.
$1,900
완성된 원고, 설문조사 가중치가 적용된 표, 그림, 실행 가능한 R 또는 Stata 코드 및 STROBE 체크리스트. 가중치, 층화, 군집 및 하위 모집단 처리가 전체적으로 정확하게 반영되어야 합니다. 소요 기간은 영업일 기준 15일입니다.
$450
질문에 대한 답변이 이미 있는지, 필요한 주기 전반에 걸쳐 변수가 존재하는지, 그리고 연구를 수행할 수 있는 충분한 여력이 있는지를 확인합니다. 의뢰하시는 모든 연구 비용에서 해당 비용이 전액 공제됩니다.
따옴표 붙은
다중 주기 추세 분석, 성향 점수 매칭 설계, 매개 분석 또는 여러 데이터베이스에 걸쳐 있는 질문에 적합합니다. 일반적으로 3,500달러부터 시작합니다.
이 범주에 속하는 모든 항목은 레지스트리 및 실제 데이터 연구 항목 아래에 나열되어 있습니다.
맺음말
NHANES 설문조사 가중치를 적용하는 것은 단순히 형식상의 요구 사항을 덧붙이는 것이 아닙니다. 이는 수치가 미국 전체를 대표하는지, 아니면 단순히 스프레드시트의 결과만을 나타내는지를 결정하는 중요한 요소입니다. 저희 테스트 결과, 주요 유병률 수치가 4.6%포인트 변동되었으며, 점추정치에는 영향을 미치지 않았던 설계 변수들조차도 신뢰구간과 이를 뒷받침하는 데 사용할 수 있는 자유도를 변화시켰습니다.
명세를 정확하게 작성하고 명확하게 명시하세요. 방법론 섹션에서 가중치 변수, 계층, 클러스터 및 하위 집단 접근 방식을 확인할 수 있는 검토자는 오류를 찾을 필요가 없습니다. 이미 오류가 없음을 보여주었기 때문입니다.
참고자료
- Maupin D, Suchak T, Barnett A, Spick M. 생성형 AI 시대의 중복 논문 급증. BMC 의학. 2026; 24 (1) : 29. doi : 10.1186 / s12916-025-04569-y
- Smirnova E, Cui E, Tabacu L, Leroux A. 스칼라-함수 회귀: 복잡한 설문 조사 설계 하에서의 추정 및 추론. 의학 통계. 2024; 43 (20). doi:10.1002/sim.10194
- 미국 국립보건통계센터. NHANES 조사 방법 및 분석 지침. 미국 질병통제예방센터. wwwn.cdc.gov/nchs/nhanes/analyticguidelines.aspx
- 미국 국립보건통계센터. NHANES 2017-2018 인구통계학적 변수 및 표본 가중치(DEMO_J). wwwn.cdc.gov/Nchs/Nhanes/2017-2018/DEMO_J.htm
- 미국 국립보건통계센터. NHANES 2017-2018 당화혈색소 검사 데이터(GHB_J). wwwn.cdc.gov/Nchs/Nhanes/2017-2018/GHB_J.htm
- Lumley T. 설문조사: 복잡한 설문조사 샘플 분석. R 패키지. cran.r-project.org/package=survey
- von Elm E, Altman DG, Egger M, et al. 역학 분야 관찰 연구 보고 강화(STROBE) 성명서. 랜싯. 2007;370(9596):1453-1457. doi:10.1016/S0140-6736(07)61602-X
Editverse에서 공개한 NHANES 2017-2018 데이터를 기반으로 분석을 수행했습니다. 모든 추정치는 출판 전 R과 Python을 사용하여 독립적으로 재현되었습니다. 데이터 출처: 미국 질병통제예방센터, 미국 국립보건통계센터.
