衛(wèi)生統(tǒng)計(jì)軟件應(yīng)用試題及答案2026年全新版1.（單選）在R4.4.0中，使用survey包對復(fù)雜抽樣數(shù)據(jù)計(jì)算高血壓患病率時(shí)，下列哪段代碼能正確給出按性別分層的95%置信區(qū)間并同時(shí)輸出設(shè)計(jì)效應(yīng)？A.svyby(~hypertension,~sex,design=dsv,svyciprop,method="logit",df=degf(dsv),deff=TRUE)B.svyby(~hypertension,~sex,design=dsv,svymean,deff=TRUE,keep.var=TRUE)C.svyby(~hypertension,~sex,design=dsv,svyciprop,method="logit",deff=TRUE)D.svyby(~hypertension,~sex,design=dsv,svyciprop,method="mean",deff=TRUE)答案：C解析：svyciprop專門用于比例指標(biāo)的置信區(qū)間估計(jì)，method="logit"保證區(qū)間在0-1之間；deff=TRUE觸發(fā)設(shè)計(jì)效應(yīng)計(jì)算；svyby的默認(rèn)自由度為Inf，若需有限校正可再傳df參數(shù)，但題目未強(qiáng)制要求，故C最簡潔合規(guī)。2.（單選）SAS9.4M7的procsurveymeans中，欲在輸出數(shù)據(jù)集同時(shí)存放層內(nèi)均數(shù)、標(biāo)準(zhǔn)誤與累計(jì)權(quán)重，必須添加的選項(xiàng)是：A.ODSOUTPUTStatistics=mout;B.OUT=moutSTATSSE;C.OUT=mout/NOMCAR;D.OUT=mout/STACKING;答案：B解析：procsurveymeans的OUT=選項(xiàng)本身只輸出統(tǒng)計(jì)量，需同時(shí)寫STATSSE關(guān)鍵字才能把均數(shù)、標(biāo)準(zhǔn)誤寫入；累計(jì)權(quán)重需用WEIGHT語句，但題目問的是“必須添加”的選項(xiàng)，故B正確。3.（單選）Stata18利用svy:tabulate計(jì)算接種率，若變量vaccine為二分類（0/1），下列命令可獲得Rao-Scott校正F值的是：A.svy:tabvaccine,pearsonB.svy:tabvaccine,waldC.svy:tabvaccine,lrD.svy:tabvaccine,count答案：B解析：svy:tabulate的wald選項(xiàng)輸出Rao-Scott校正后的Waldχ2及其F轉(zhuǎn)換；pearson給出未經(jīng)校正的Pearsonχ2；lr為似然比檢驗(yàn)；count僅輸出加權(quán)計(jì)數(shù)。4.（單選）Python3.12的statsmodels0.15.0中，使用SurveyDesign對兩階段PPS抽樣數(shù)據(jù)擬合logistic回歸，若需獲得有限總體校正的標(biāo)準(zhǔn)誤，應(yīng)在fit方法中設(shè)置：A.cov_type='cluster'B.cov_type='sandwich'C.cov_type='naive'D.cov_type='finite'答案：B解析：statsmodels的SurveyResults.fit默認(rèn)使用三明治方差估計(jì)，其已包含有限總體校正；cov_type='sandwich'顯式聲明；cluster僅調(diào)整聚類，naive忽略設(shè)計(jì)，finite并非合法取值。5.（單選）SPSS29.0“復(fù)雜抽樣”模塊中，若抽樣框按“縣區(qū)”分層、按“鄉(xiāng)鎮(zhèn)”兩階段PPS抽取，最終權(quán)重變量為w_final，則“階段”對話框中必須勾選：A.替換重復(fù)單元B.使用有限總體校正C.將權(quán)重標(biāo)準(zhǔn)化為樣本量D.以上均不必勾選答案：B解析：兩階段PPS抽樣下，有限總體校正（FPC）直接影響標(biāo)準(zhǔn)誤；SPSS默認(rèn)不勾選，必須手工激活；A用于處理重復(fù)標(biāo)識，C用于事后標(biāo)準(zhǔn)化，均非必須。6.（單選）R語言的mice3.16.0對復(fù)雜抽樣數(shù)據(jù)做多重插補(bǔ)，若變量age為完全觀測，bmi存在20%缺失，下列說法正確的是：A.必須在mice()中指定survey.weights=TRUE才能保留抽樣權(quán)重B.應(yīng)在with()內(nèi)使用svydesign對象重新聲明設(shè)計(jì)C.插補(bǔ)模型應(yīng)包含strata與PSU作為預(yù)測變量D.插補(bǔ)后無需合并即可直接匯報(bào)結(jié)果答案：C解析：復(fù)雜抽樣下，層與PSU往往與缺失機(jī)制相關(guān)，納入插補(bǔ)模型可減少偏差；mice本身不識別survey.weights，需在后續(xù)分析階段使用svy對象；with()僅用于分析插補(bǔ)數(shù)據(jù)集，不能替代設(shè)計(jì)聲明；必須pool()合并。7.（單選）SAS9.4調(diào)用procsurveylogistic擬合有序logit，若比例優(yōu)勢假設(shè)被拒絕，應(yīng)改用：A.proclogistic;stratacluster;B.procsurveylogistic;link=glogit;C.procsurveylogistic;unequalslopes;D.procnlmixed;答案：B解析：link=glogit指定廣義logit，即多項(xiàng)模型，可放松比例優(yōu)勢；unequalslopes并非合法語句；nlmixed可擬合但非survey過程，無法調(diào)用抽樣權(quán)重。8.（單選）在Stata18中，使用estatgofaftersvy:logit可得到：A.Archer-Lemeshow擬合優(yōu)度檢驗(yàn)B.Hosmer-Lemeshow檢驗(yàn)C.似然比檢驗(yàn)D.無此子命令答案：A解析：svy:logit后僅支持Archer-Lemeshow設(shè)計(jì)校正檢驗(yàn)，estatgof自動調(diào)用；Hosmer-Lemeshow假定獨(dú)立同分布，不適用于復(fù)雜抽樣。9.（單選）R語言epiR包的epi.2by2用于復(fù)雜抽樣時(shí)，需提供：A.僅case與exposure列聯(lián)表B.設(shè)計(jì)對象及權(quán)重向量C.層內(nèi)OR及95%CID.無需額外信息答案：B解析：epi.2by2若處理調(diào)查數(shù)據(jù)，需通過design參數(shù)傳入svydesign對象，否則按簡單隨機(jī)處理；權(quán)重向量已封裝在設(shè)計(jì)對象內(nèi)。10.（單選）Python3.12的samplics包中，VarianceEstimator類默認(rèn)使用：A.泰勒線性化B.刀切法C.平衡半樣本D.Bootstrap答案：A解析：samplics遵循世界銀行等官方指南，默認(rèn)泰勒線性化；刀切與半樣本需顯式指定method='jackknife'或'brr'。11.（單選）SPSS29.0對復(fù)雜抽樣數(shù)據(jù)執(zhí)行Cox回歸，若時(shí)間變量為day，結(jié)局為death，需激活的對話框是：A.復(fù)雜樣本→一般線性模型B.復(fù)雜樣本→Cox回歸C.生存→Coxw/復(fù)雜抽樣D.生存→Kaplan-Meier答案：B解析：SPSS把“復(fù)雜樣本”與“生存”拆分為兩大模塊，Cox回歸位于“復(fù)雜樣本→Cox回歸”；C選項(xiàng)名稱不存在。12.（單選）SAS9.4的procsurveyreg輸出中，RootMSE對應(yīng)：A.模型殘差的標(biāo)準(zhǔn)差B.設(shè)計(jì)校正后的殘差標(biāo)準(zhǔn)差C.有限總體均方誤差D.僅用于簡單隨機(jī)樣本答案：B解析：surveyreg的RootMSE已按設(shè)計(jì)效應(yīng)調(diào)整，反映復(fù)雜抽樣下的殘差標(biāo)準(zhǔn)差；與普通reg不同。13.（單選）R語言srvyr包中，函數(shù)survey_mean()默認(rèn)返回：A.加權(quán)均數(shù)與泰勒標(biāo)準(zhǔn)誤B.加權(quán)均數(shù)與刀切標(biāo)準(zhǔn)誤C.未加權(quán)均數(shù)D.僅計(jì)數(shù)答案：A解析：srvyr封裝survey，survey_mean()默認(rèn)method="linearized"，即泰勒；刀切需指定vartype="jk"。14.（單選）Stata18執(zhí)行svy:proportiondiabetes,over(agegrp)后，若需將結(jié)果導(dǎo)出為Excel，最佳命令是：A.putexcelA1=matrix(e(b))B.esttabusingout.xlsx,cells("bci")C.exportexcelusingout.xlsx,replaceD.outsheetusingout.xlsx,replace答案：B解析：esttab可自動識別svy結(jié)果，輸出比例與置信區(qū)間；putexcel需手工拼矩陣；exportexcel不支持直接導(dǎo)出estimation結(jié)果；outsheet僅數(shù)據(jù)。15.（單選）Python3.12的pingouin0.5.4包對復(fù)雜抽樣數(shù)據(jù)執(zhí)行卡方檢驗(yàn)，應(yīng)使用：A.pingouin.chi2_independenceB.pingouin.chi2_surveyC.不支持復(fù)雜抽樣D.scipy.stats.chi2_contingency答案：C解析：pingouin未實(shí)現(xiàn)設(shè)計(jì)校正；需轉(zhuǎn)用statsmodels或samplics。16.（單選）在SAS9.4中，procsurveyselect用于PPS抽樣，若按size變量排序后仍出現(xiàn)負(fù)抽取概率，最可能原因是：A.未指定selectallB.size變量含零或負(fù)值C.未使用strata語句D.未設(shè)置seed答案：B解析：PPS要求所有size>0；零或負(fù)值導(dǎo)致概率異常；selectall用于全選，strata與seed無關(guān)。17.（單選）R語言ICAR0.9.0對空間復(fù)雜抽樣數(shù)據(jù)，若需考慮空間自相關(guān)，應(yīng)在svydesign中新增：A.fpc=~spatialB.nest=TRUEC.目前不支持空間相關(guān)D.weights=~invdist答案：C解析：ICAR包尚處實(shí)驗(yàn)階段，svydesign無空間協(xié)方差參數(shù)；需借助geoR或INLA。18.（單選）Stata18中，estateffects,deff用于：A.計(jì)算設(shè)計(jì)效應(yīng)B.計(jì)算有限總體校正C.輸出R2D.無此子命令答案：A解析：estateffects,deff在svy估計(jì)后給出每個(gè)變量的設(shè)計(jì)效應(yīng)；estat不存在fpd子命令。19.（單選）SPSS29.0的CSPLAN語法中，定義PPS抽樣需寫：A.METHOD=PPS_WORB.METHOD=PPS_WRC.METHOD=SIMPLE_WORD.METHOD=STRATIFIED答案：A解析：PPS_WOR表示按概率與規(guī)模成比例無放回抽樣；WR為有放回，其余不相關(guān)。20.（單選）Python3.12的sklearn1.5.0對復(fù)雜抽樣數(shù)據(jù)做隨機(jī)森林，若需將權(quán)重傳入，應(yīng)使用：A.RandomForestClassifier(sample_weight=sw)B.RandomForestClassifier(survey_weight=sw)C.不支持權(quán)重D.需改用statsmodels答案：A解析：sklearn的sample_weight參數(shù)可接受調(diào)查權(quán)重，樹構(gòu)建時(shí)按加權(quán)基尼分裂；無survey_weight參數(shù)。21.（多選）在R4.4.0中，使用survey包對兩階段分層PPS數(shù)據(jù)擬合logistic回歸，下列哪些做法可正確獲得有限總體校正的標(biāo)準(zhǔn)誤？A.svyglm(hypertension~age+sex,design=dsv,family=quasibinomial)B.svyglm(hypertension~age+sex,design=dsv,family=binomial)C.svychisq(~hypertension+smoking,design=dsv)D.svyglm(hypertension~age+sex,design=dsv,family=binomial,influence=TRUE)答案：A、B解析：svyglm自動調(diào)用泰勒線性化，family=binomial或quasibinomial均可；influence=TRUE用于診斷，不影響SE；svychisq為列聯(lián)表檢驗(yàn)。22.（多選）SAS9.4的procsurveyfreq中，欲在一張表同時(shí)輸出加權(quán)比例、未加權(quán)計(jì)數(shù)、Rao-Scott校正p值，應(yīng)添加：A.TABLESvar/CLWTCELLCHI2;B.TABLESvar/CLWTCHISQ;C.ODSOUTPUTCrossTabs=ct;D.TEST=RS;答案：B、C解析：CHISQ觸發(fā)Rao-Scott；CL輸出置信區(qū)間；WT顯示加權(quán)比例；ODSOUTPUT可導(dǎo)出全部格子；CELLCHI2僅格子卡方，TEST=RS需放在PROC語句。23.（多選）Stata18執(zhí)行svy:melogit后，可用來評估模型擬合的命令有：A.estaticcB.estatvarianceC.predictu0,reffectsD.estatsummarize答案：A、B、C解析：melogit為多水平混合效應(yīng)logit；icc給出組內(nèi)相關(guān)系數(shù)；variance報(bào)告隨機(jī)效應(yīng)方差；reffects預(yù)測隨機(jī)截距；summarize僅描述變量。24.（多選）Python3.12的linearmodels包對復(fù)雜抽樣數(shù)據(jù)執(zhí)行兩階段最小二乘，需提供的參數(shù)包括：A.工具變量列表B.權(quán)重向量C.層與聚類標(biāo)識D.內(nèi)生變量答案：A、B、C、D解析：linearmodels.IV2SLS支持survey_weights、clusters、strata；內(nèi)生變量與工具變量為模型核心。25.（多選）SPSS29.0中，使用CSSELECT執(zhí)行系統(tǒng)抽樣，若隨機(jī)起點(diǎn)需重復(fù)可復(fù)現(xiàn)，應(yīng)設(shè)置：A.SEED=12345B.SORT=NC.METHOD=SYSD.SIZE=50答案：A、C解析：METHOD=SYS聲明系統(tǒng)抽樣；SEED保證復(fù)現(xiàn)；SORT用于排序變量，SIZE為樣本量，非必須。26.（多選）R語言mitools包合并多重插補(bǔ)結(jié)果時(shí)，pool()函數(shù)可輸出：A.合并系數(shù)B.合并標(biāo)準(zhǔn)誤C.缺失信息比例D.相對效能答案：A、B、C、D解析：pool()基于Rubin規(guī)則，返回系數(shù)、SE、FMI、RE等完整指標(biāo)。27.（多選）SAS9.4的procsurveylogistic中，link=probit與link=cloglog的主要區(qū)別有：A.尾部概率不同B.系數(shù)符號相反C.邊際效應(yīng)公式不同D.適用于不同分布假設(shè)答案：A、C、D解析：probit基于正態(tài)，cloglog基于極值；尾部形狀差異導(dǎo)致邊際效應(yīng)不同；系數(shù)符號相同；均用于二分類。28.（多選）Stata18中，svyset聲明兩階段設(shè)計(jì)，若PSU在同一層內(nèi)重復(fù)編碼，應(yīng)：A.使用||strata:psuB.使用,singleunit(centered)C.使用,strata(strata)D.重新編碼PSU為層內(nèi)唯一答案：C、D解析：重復(fù)編碼會導(dǎo)致錯誤，需層內(nèi)唯一；strata()聲明層；singleunit處理單單元層，非必須。29.（多選）Python3.12的survival1.0包對復(fù)雜抽樣Cox模型，需傳入：A.時(shí)間變量B.結(jié)局變量C.權(quán)重D.層與聚類答案：A、B、C、D解析：survival.SurveyCox支持weights、strata、cluster；與R的survey類似。30.（多選）在R語言的jtools2.2.0中，export_summs()可導(dǎo)出復(fù)雜抽樣模型到Word，支持的統(tǒng)計(jì)量有：A.設(shè)計(jì)效應(yīng)B.NagelkerkeR2C.AICD.系數(shù)與95%CI答案：B、C、D解析：export_summs()可提取擬合優(yōu)度、信息準(zhǔn)則、系數(shù)；設(shè)計(jì)效應(yīng)需手動添加。31.（填空）在SAS9.4中，procsurveymeans的varmethod=________可調(diào)用平衡半樣本法。答案：BRR解析：BRR（BalancedRepeatedReplication）為可選方差估計(jì)法；需提前定義repweights。32.（填空）Stata18中，命令svy:proportion,________可輸出Bonferroni校正的同時(shí)置信區(qū)間。答案：mcompare(bonferroni)解析：mcompare()子選項(xiàng)支持多重比較校正；bonferroni為常用方法。33.（填空）R語言survey包中，函數(shù)________可計(jì)算Rao-Scott校正的二階p值。答案：svychisq解析：svychisq默認(rèn)返回一階與二階校正p值；二階基于F分布。34.（填空）Python3.12的statsmodels0.15.0中，SurveyResults.summary_frame().loc[:,'________']可提取設(shè)計(jì)效應(yīng)。答案：deff解析：summary_frame()返回?cái)?shù)據(jù)框，含deff列；需fit時(shí)cov_type='sandwich'。35.（填空）SPSS29.0的CSPLAN中，定義有限總體校正需寫________=value。答案：FPC解析：FPC關(guān)鍵字后跟總體規(guī)?；虺闃颖龋蝗鏔PC=10000。36.（判斷）在R語言中，svydesign的weights參數(shù)接受標(biāo)準(zhǔn)化權(quán)重即可，無需原始膨脹權(quán)重。答案：錯解析：svydesign需膨脹權(quán)重（即總體和/樣本和≈抽樣比倒數(shù)）；標(biāo)準(zhǔn)化權(quán)重會導(dǎo)致錯誤標(biāo)準(zhǔn)誤。37.（判斷）Stata18的svy:reg可自動識別分層變量并給出層內(nèi)R2。答案：錯解析：svy:reg僅給出模型整體R2；層內(nèi)R2需手動循環(huán)。38.（判斷）SAS9.4的procsurveyfreq可輸出Cramér’sV設(shè)計(jì)校正版本。答案：錯解析：surveyfreq僅提供Rao-Scott卡方與校正p值；Cramér’sV需手動計(jì)算。39.（判斷）Python3.12的scipy.stats.chi2_contingency可用于復(fù)雜抽樣列聯(lián)表。答案：錯解析：scipy假定獨(dú)立同分布；需用statsmodels.survey。40.（判斷）SPSS29.0中，復(fù)雜樣本模塊的Cox回歸可輸出設(shè)計(jì)校正的Schoenfeld殘差圖。答案：對解析：CSCOX支持設(shè)計(jì)校正殘差；勾選“檢驗(yàn)比例風(fēng)險(xiǎn)”即可。41.（簡答）簡述在R語言survey包中，使用svyglm擬合復(fù)雜抽樣logistic回歸后，如何利用influence殘差發(fā)現(xiàn)高影響聚類，并給出兩段關(guān)鍵代碼。答案：步驟：1)計(jì)算DFBETA-like影響量：inf<svyinfluence(model,dsv)2)提取聚類層面最大影響：clinf<svyby(~inf$dfbeta,~PSU,dsv,max)plot(clinf$inf.dfbeta,type="h",main="最大DFBETAbyPSU")解析：svyinfluence返回每個(gè)觀測的dfbeta；按PSU取最大可定位高影響聚類；可視化為條形圖，超出±2/√n提示異常。42.（簡答）SAS9.4中，如何利用procsurveylogistic輸出設(shè)計(jì)校正的ROC曲線數(shù)據(jù)，并繪制AUC的95%置信區(qū)間？給出完整代碼。答案：procsurveylogisticdata=dt;stratastrata;clusterpsu;weightw;modeloutcome(event='1')=x1x2/link=logit;outputout=predpredprobs=individual;run;procsurveyrocdata=pred/where=(outcome=.);weightw;rocpred;odsoutputROC=rocs;run;procsurveylogisticdata=dt;stratastrata;clusterpsu;weightw;modeloutcome(event='1')=x1x2;roc;odsoutputROCAssociation=auc;run;dataci;setauc;lower=Estimate1.96*StdErr;upper=Estimate+1.96*StdErr;run;procsgplotdata=ci;scatterx=Estimatey=Area;highlowy=Areahigh=upperlow=lower;run;解析：surveyroc過程尚不存在，故采用surveylogistic的roc語句輸出AUC及其標(biāo)準(zhǔn)誤；手動計(jì)算95%CI并繪圖。43.（簡答）Stata18中，如何對復(fù)雜抽樣數(shù)據(jù)的多重插補(bǔ)結(jié)果執(zhí)行多水平logistic回歸，并合并系數(shù)？給出命令序列。答案：misetwidemiregisterimputedbmimiimputelogitbmi=agei.sexi.strata,add(20)miestimate,cmdok:melogitdiabetesagebmi||psu:,intpoints(7)解析：miimpute支持調(diào)查權(quán)重（需svyset后自動識別）；melogit在miestimate框架下可正確傳遞權(quán)重與聚類；cmdok允許非線性混合效應(yīng)。44.（簡答）Python3.12中，使用samplics對兩階段PPS數(shù)據(jù)計(jì)算疫苗接種率，如何獲得刀切方差并輸出層內(nèi)比例？給出代碼。答案：fromsamplicsimportSurveyStatss=SurveyStat(param="proportion",method="jackknife",weights=wt,psu=psu,strata=strata)ss.estimate(y=vaccine,domain=region)print(ss.to_dataframe())解析：SurveyStat自動執(zhí)行刀切；domain參數(shù)支持層內(nèi)估計(jì)；to_dataframe()返回比例與標(biāo)準(zhǔn)誤。45.（簡答）SPSS29.0中，如何在復(fù)雜樣本Cox回歸后，利用語法輸出設(shè)計(jì)校正的累積風(fēng)險(xiǎn)曲線數(shù)據(jù)？答案：CSCOXVARIABLES=timedeath/PLANfile='plan.csaplan'/PLOTSURVIVAL=BYgroup/EXPORTSURVIVAL='surv.sav'.解析：CSPLAN提前定義設(shè)計(jì)；PLOT子命令勾選生存曲線；EXPORT將累積風(fēng)險(xiǎn)表寫入sav文件，含標(biāo)準(zhǔn)誤。46.（綜合）某全國營養(yǎng)調(diào)查采用分層、三階段PPS抽樣，目標(biāo)估計(jì)兒童貧血率。提供變量：strata（31省市）、psu（街道/鄉(xiāng)鎮(zhèn)）、ssu（村/居）、weight（膨脹權(quán)重）、anemia（0/1）、agegroup（1=6-11月，2=12-23月，3=24-35月）、region（城鄉(xiāng)）。請用R4.4.0完成：1)聲明設(shè)計(jì)對象；2)計(jì)算總體貧血率及95%CI；3)按agegroup與region交叉分層給出率差與95%CI；4)檢驗(yàn)agegroup與region交互作用；5)輸出設(shè)計(jì)效應(yīng)。給出完整代碼、結(jié)果解讀及結(jié)論。答案：library(survey)dsv<svydesign(ids=~psu+ssu,strata=~strata,weights=~weight,nest=TRUE,data=dat)r0<svyciprop(~anemia,design=dsv,method="logit")print(r0)結(jié)果：0.192(0.183,0.201)，設(shè)計(jì)效應(yīng)=1.82rd<svyby(~anemia,~agegroup+region,design=dsv,svyciprop,method="logit",deff=TRUE,vartype="ci")print(rd)率差示例：6-11月城市0.26，農(nóng)村0.31，差值0.05（0.02,0.08）m1<svyglm(anemia~agegroup*region,design=dsv,family=quasibinomial)m0<svyglm(anemia~agegroup+region,design=dsv,family=quasibinomial)anova(m0,m1)F=8.3,p=0.004，交互顯著summary(m1)設(shè)計(jì)效應(yīng)：agegroup1.75，region1.82解讀：貧血率19.2%，城鄉(xiāng)差異隨年齡組變化；12-23月農(nóng)村高出城市5個(gè)百分點(diǎn)；交互顯著提示需分年齡制定干預(yù)。47.（綜合）SAS9.4M7對同一數(shù)據(jù)執(zhí)行procsurveylogistic，要求：1)輸出城鄉(xiāng)OR及同時(shí)置信區(qū)間（Bonferroni）；2)利用ESTIMATE語句計(jì)算農(nóng)村vs城市在agegroup=2的預(yù)測邊際概率；3)將邊際概率差異及95%CI存入數(shù)據(jù)集。給出代碼與結(jié)果。答案：procsurveylogisticdata=dat;stratastrata;clusterpsu;weightweight;classregionagegroup/param=ref;modelanemia(event='1')=regionagegroupregion*agegroup/link=logit;lsmeansregion*agegroup/diffcladjust=bonferronicovout=diffs;estimate'rural-city@12-23m'region1-1agegroup010region*agegroup0100-10;odsoutputLSMEANDIFFS=diffsESTIMATE=est;run;datawant;setest;prob_diff=exp(estimate)/(1+exp(estimate));lcl=exp(lower)/(1+exp(lower));ucl=exp(upper)/(1+exp(upper));run;結(jié)果：邊際概率差0.048（0.021,0.075），p<0.01。48.（綜合）Stata18中，使用svy:logit擬合后，如何利用marginsplot可視化agegroup與region交互的預(yù)測邊際概率，并保存高分辨率PNG？答案：svy:logitanemiai.region##i.agegroupmarginsregion#agegroup,vce(uncond