偶然间发现R在计算患病风险比值比(OR, odds ratio)的结果输出中存在一个难以理解的“错误”：OR值检验的P值<0.05 (说明暴露与不暴露发生疾病的风险存在显著差异),但是置信区间却跨1（说明暴露与不暴露发生疾病的风险不存在显著差异）

具体程序如下：
输出的普通卡方及精确卡方检验的P值分别为0.039及0.046，OR值及置信区间为：1.65（95%CI:0.96-2.68），采用glm的logisitc回归得到的结果与上述一样（具体输出省略）：
简单的思考之后怀疑可能是R程序包有问题，因为R程序包的bug问题不是少见，于是采用SAS程序进行验证：结论不论是列联表，还是logisitic回归，输出的普通卡方及Fisher精确卡方检验的P值均与R的输出一致，但是OR及95%CI均为：1.6512(95%CI: 1.0197 - 2.6739)（其他详细输出省略），这个置信区间与P值=0.039是对应的。所以一时间还是觉得SAS靠谱，R有时候真的需要谨慎。

但是后来重新思考，觉得应该不至于R连这种简单的统计都会出问题，难道是SAS和R在计算OR值的置信区间上采用了不同的方法。于是翻阅现今流行病学最权威的书籍Modern Epidemiology (3rd edition)，希望找到OR值的置信区间的计算上是否存在校正的置信区间的算法。但是似乎并没有找到。

然后想想R中经常存在不同程序包计算同一指标的方法，于是查阅可计算OR置信区间的不同程序包的输出，是否均是相同的问题。结果发现fmsb程序包输出的OR置信区间与SAS的输出结果一致。具体如下：
于是进一步明确不是R的程序包存在bug，而是方法的不同导致了SAS与R的输出结果存在差异。进一步回过头查看cci 函数的输出结果，结果发现OR的置信区间输出的说明为Exact 95% CI，于是查看cci 函数的选项中默认：exact.ci.or = TRUE，于是果断将该选项修改为：exact.ci.or = FALSE，结果与SAS输出结果一致。

于是最终想明白三件事：
（1）R的简单程序包（如fmsb，功能仅类似与计算器）通常计算的都是OR值普通的置信区间，R的高级程序包（如epicalc，stat等）通常默认输出的是OR精确的置信区间，但epicalc也可以提供OR值普通的置信区间，而stat只能提供OR精确的置信区间。
（2）只知道P值有精确检验的方法，原来OR值也有精确置信区间一说
（3）SAS的proc logisitic过程只能提供OR值普通的置信区间，不能提供OR值精确的置信区间，因此，从某种角度上来说，SAS其实并没有R精细


同时在二楼跟帖中补充了STATA中关于OR值的相关问题讨论，欢迎大家讨论，^_^