第 02 篇我们读懂了文件地图，很多人的第一反应就是：冲进官网把数据全部下载。先停一下。 下载之前，还有一道决定成败的工序：先确认"你这个选题到底能不能用 NHANES 做成"。用一句大白话：改选题比改数据容易得多，所以该做的判断要放在动手之前。
这一篇我们用案例论文做完整示范，跑完三层自查（见图1）。
图1：三层递进：变量是否存在 → 样本量够不够 → 是否受限数据。一层不过就回炉调整，别硬做。
目标声明
本篇做完，你将能：① 读懂一篇论文到底要回答什么科学问题（以及它凭什么值得做）；② 把一篇 NHANES 论文拆成可执行的清单（六要素 + 六块结果）；② 独立判断任意 NHANES 选题的三层可行性；③ 用官网鼠标操作（不开软件也能做）查变量可用周期；④ 用"样本漏斗"粗算分析样本量；⑤ 识别并绕开受限数据。
两类读者都能跟：没装任何软件的纯新手，走"官网鼠标版"；已经会 R 的同学，我们用 R 包 nhanesA 再演示一遍更快的自动化做法。两种路径结论一致。
开始前，先把本篇要用到的几个名词一次讲清（新手向术语速查）：
| 术语 | 通俗解释 |
|---|---|
| 周期 | 一次连续调查的数据批次，一般以两年为一档（如 2021–2023 周期；疫情特殊周期例外，第 01、02 篇讲过） |
| 变量 | 一张表里的一列，代表一个测量项目（如"年龄"） |
| 协变量 | 除暴露和结局外，分析里要纳入控制的其他变量（如年龄、收入） |
| 暴露 / 结局 | "看它会不会导致某结果"的那个因素叫暴露（维生素 D），被影响的那个结果叫结局（抑郁） |
| 患病率 | 有某个特征的人在人群中的比例（本篇指抑郁人群占比） |
| 多周期合并 | 把几个两年周期拼在一起做分析，以增大样本量 |
| 受限数据（RDC） | 因隐私只对有权限的研究者开放、需申请的数据 |
| Doc 文档 | 每个数据文件自带的"使用说明书"（第 02 篇讲过） |
先读 Introduction：这篇论文到底要回答什么问题
读文献的第一个错误姿势是：直接从 Methods 抄变量、从 Results 抄数字，跳过 Introduction。这样你复现得再准，也答不出一个最基本的问题——它为什么要做这个研究？它的发现新在哪里？ 而这两点，恰恰决定了一篇论文能不能发表，也决定你该不该拿它当模板。
论文的 Introduction 永远遵循同一套三段式逻辑：① 这个问题重要 → ② 别人已经知道什么、还缺什么（研究空白 gap）→ ③ 所以我要做什么。我们把案例论文的 Introduction 拆给你看：
第一段 · 为什么重要：抑郁是全球重大精神卫生负担，影响数亿人；近年研究关注营养素的作用，维生素 D 因其受体广泛分布于脑区而备受关注（可能与情绪调节、神经炎症、BDNF 等通路相关）。
第二段 · 已有的证据是矛盾的（这是全文最有价值的一段）：既往研究结果相互冲突：一部分支持"维生素 D 越高、抑郁风险越低"，另一部分却报告"没有关联"。2019–2024 年的多项 meta 分析结论也不一致（在临床抑郁人群中补充维生素 D 有效，在无抑郁的普通人群中效果微弱）。
第三段 · 矛盾的原因 + 研究空白：论文提出的解释是：既往研究大多把维生素 D 当作一个整体来看（总 25(OH)D），把 D2 与 D3 混在一起。而这两种形式在来源（D3 主要来自日照与动物性食物，D2 主要来自植物与强化食品/补充剂）、代谢（25(OH)D2 半衰期明显更短；D3 提升血清 25(OH)D 的效率更高；补充 D2 甚至可能降低 25(OH)D3 水平）与受体激活效力（1,25(OH)₂D3 强于 D2 的对应代谢物）上都有实质差异。把它们合并分析，可能恰好相互抵消，掩盖真实关系。 论文原文的 gap 表述是：大规模人群研究中关于 D2/D3 差异化作用的知识仍很有限，既往研究多聚焦总维生素 D 而忽略异构体差异。
→ 所以这篇论文的研究问题就是：在具有全国代表性的美国成人样本中，血清 D2 与 D3 分别与抑郁患病率有何关联？
这个"三段式"给你三个直接可用的东西：
- 判断一个选题值不值得做：如果"研究空白"说不清（别人早做过了），或"矛盾原因"给不出合理解释，这个选题就危险；
- 读懂你自己的结果该怎么写：论文的结论之所以有分量，不是因为 OR 显著，而是因为它回应了自己在 Introduction 里提出的矛盾（D3 保护、D2 反向——恰好解释了既往"混在一起看"为什么得到矛盾结果）；
- 复现时知道"哪一块是核心"：这篇论文的核心结果不是总维生素 D 那条（OR 0.991，很弱），而是 D2 与 D3 的方向相反（0.984 vs 1.021）——这才是它区别于既往文献的地方。复现时如果只对上总量那一行，等于没抓住重点。
一句话对照：Introduction 提出"混着看会掩盖差异"，Results 就该给出"D2 与 D3 方向相反"——这就是一篇论文的首尾呼应，也是复现时最该验证的地方（我们会在第 08 篇复现 Table 2 时专门核对这一点）。
第 0 步 · 先读懂论文：把一篇 NHANES 论文拆成"六要素 + 六块结果"
做复现也好，自己选题也好，第一步都不是打开软件，而是把论文读成一份清单。NHANES 论文都遵循 IMRaD 结构（Introduction 引言 / Methods 方法 / Results 结果 / Discussion 讨论），其中真正需要你逐字读的是 Methods——它决定了你要下载什么、怎么算；Results 则决定了你最终要产出什么。
从 Methods 抽六要素（这六条就是你的"工程量清单"）：
| 要素 | 论文里长什么样 | 抽出来干什么用 |
|---|---|---|
| ① 数据来源与周期 | "data collected from the 2021 to 2023 cycles of NHANES" | 决定下载哪个周期、用哪个周期的文件 |
| ② 研究人群与排除标准 | "adults 18 years and older with comprehensive records of…" | 决定样本漏斗的每一级（第 06 篇逐级复现） |
| ③ 暴露定义 | "serum vitamin D levels… total was defined as the sum of 25OHD3 and 25OHD2" | 决定取哪些变量、要不要做单位换算或相加 |
| ④ 结局定义 | "PHQ-9… score of 10 or above" | 决定九项怎么加总、切点取多少、拒答怎么处理 |
| ⑤ 协变量清单 | 人口学 / 社会经济 / 生活方式 / 健康相关四组 | 决定还要下载哪几个文件 |
| ⑥ 统计方法 | "three logistic regression models… weight adjustments" | 决定用哪个权重、跑几个模型、要不要做亚组 |
从 Results 找六块结果（这就是你复现的终点，也是本系列第 06–10 篇的产出）：
| 结果块 | 论文里叫什么 | 复现它的教程篇目 |
|---|---|---|
| 样本流程图 | Figure 1 | 第 06 篇 |
| 基线特征表 | Table 1 | 第 07 篇 |
| 主分析关联表 | Table 2 | 第 08 篇 |
| 剂量反应曲线 | Figure 2、Figure 3 | 第 08 篇 |
| 亚组分析表 | Table 3 | 第 09 篇 |
| 结果解读与局限 | Discussion / Conclusion | 第 10 篇 |
读 Methods 时最该做的一件事：找出论文"没写清"的地方。 规范论文也常有信息缺口。案例论文就有三处：四分位切点怎么算的没说、交互检验用的什么方法没说、统计软件只写了"Empower"（不是 R）。这三处正是复现时最容易卡住、也最容易"想当然填一个值"的地方。遇到未披露口径，正确做法不是猜，而是把两种合理做法都跑一遍、如实报告差异——这套处理方式第 08、10 篇会专门讲，它是复现教学里最接近科研诚信的那一课。
判断可行性，靠的就是这份清单：六要素里任何一个在 NHANES 里找不到对应变量，选题就得调整；六块结果里任何一块你的数据撑不起来（比如结局事件太少），也得回头改设计。下面三步，就是把这份清单逐条落地核实。
第 1 步 · 变量存在吗？在哪几个周期有？
方法：查变量有两种做法——不开软件、用官网鼠标点（新手首选，下面给全步骤），或用 R 包 nhanesA 一行代码（更快、可复现，进阶可选）。两种都能回答"某个变量出现在哪些数据文件/周期"。
官网鼠标版（无需装任何软件）：
- 打开 NHANES 官网的 Variable List 页面（参考来源里的链接）；
- 在检索框输入变量名，比如
LBXVIDMS，回车； - 搜索结果会逐条列出匹配该变量名的数据文件及其所属周期（例如能查到
LBXVIDMS出现在VID_E、VID_L等文件）； - 对你要用的每个变量（暴露、结局、每个协变量）各查一遍，记录下来。
进阶版（一行代码，需装 R 与 nhanesA）：对同一条目的查询，写
# 复制进 RStudio 直接运行：查一个变量出现在哪些周期的哪些文件
# 第一次运行先装包（见第 04 篇），之后每次运行只需 library() 加载
library(nhanesA)
# 查维生素 D 变量 LBXVIDMS 在哪些周期可用
nhanesSearchVarName(varname = "LBXVIDMS", ystart = 1999, ystop = 2023)
# 输出: VID_E, VID_F, VID_G, VID_H, VID_I, VID_J, VID_L（2007-08 到 2021-23 各常规周期都有）运行后返回 VID_E, VID_F, VID_G, VID_H, VID_I, VID_J, VID_L——即从 2007–2008 到 2021–2023 的各常规周期都有。注意结果里没有 P_VID：因为我们实测确认，2017–2020.3 这个疫情特殊周期没有发布维生素 D 检测数据（官网该文件返回 404）。其余变量用同样命令跑一遍，就是下面这张表（实机查询结果）。官网鼠标版查到的是同一批官方数据，两种途径结果可互相印证；只是鼠标版要一个个点，慢一些。
| 变量 | 实测可用的数据文件/周期 | 结论 |
|---|---|---|
| LBXVIDMS 血清总维生素 D | VID_E（2007-08）…VID_L（2021-23） | 2007 年起各常规周期均有（P_ 疫情周期除外），含最新周期 ✅ |
| DPQ010（PHQ-9 首项） | DPQ_D（2005-06）…DPQ_L、P_DPQ | 2005 年起均有 ✅ |
| RIDAGEYR 年龄 | DEMO（1999-00）…DEMO_L、P_DEMO | 全周期都有 ✅ |
| INDFMPIR 收入贫困比 | DEMO（1999-00）…DEMO_L、P_DEMO | 全周期都有 ✅ |
| RIDRETH3 种族（六分类） | DEMO_G（2011-12）起 + P_DEMO 等 | ⚠️ 仅 2011 年起有 |
三个重要发现：
- 案例论文的所有变量在 2021–2023 周期都可用 → 第 1 步通过。
- RIDRETH3 是个"周期陷阱"：这个包含独立"非西班牙裔亚裔"类别的六分类种族变量只从 2011–2012（G 周期）开始出现。此前的周期用的是更早期的种族编码方案（如 RIDRETH1，把亚裔并入"其他/多种族"），分类口径不同。所以如果你想把 2011 年之前与之后的周期一起做"多周期合并"，种族这个协变量就不能简单地套用 RIDRETH3——合并周期前必查变量可用范围与分类口径，这是最容易踩的暗坑。
- 维生素 D 的检测"口径"随周期可能不同：我们实测比较了 2007–2008（VID_E）与 2017–2018（VID_J）两个周期，同一个变量的值域就有明显差别（VID_E 总 25-羟维生素 D 约 5.4–213 nmol/L，VID_J 约 10–422 nmol/L）。这究竟源于检测方法修订、还是不同周期人群本身的差异，要打开各周期 Doc 的"Laboratory Methodology"段落才能定论——所以跨周期合并暴露变量前，务必逐一核对"检测方法学"与"单位/值域"是否可比，不能想当然地直接把数字拼在一起。
自查清单第 1 步：☑ 变量存在 ☑ 目标周期有 ☑ 跨周期合并时定义可比。
第 2 步 · 样本量够吗？合并后还剩多少人？
变量存在只说明"有数据"，还得看"够不够"。用第 02 篇的样本漏斗思想，我们在下载任何数据前就能用各文件的"覆盖人数"估算最终分析样本。对 2021–2023 周期就是这套真实数字：
11,933 全部受访者（DEMO_L）
→ 8,153 ≥18 岁成人（案例限定成人）
→ 5,824 成人中有血清维生素 D 结果
→ 5,455 PHQ-9 九项完整（DPQ_L）
→ 5,044 三者交集（成人 ∩ 维生素D ∩ PHQ-9）
→ 3,863 案例论文最终分析样本（再排协变量缺失等）怎么判断"够不够"：没有绝对标尺，但可以对照下面几条：
- 与已发表论文比：案例论文最终用了 3,863 人，说明这个暴露-结局组合在这个周期是可行的；你也想走通类似设计，就至少要有"几千人量级"。
- 够支撑你的模型：经验上，每个纳入模型的参数至少需要 10–20 例结局。这句对新手有点抽象，翻译成大白话就是：你准备放进模型里多少个变量（年龄、性别、种族、收入……），就要准备多少倍的"出现过结局的人数"做储备金——比如模型里放 10 个变量，结局（抑郁）人数最好有 100–200 例以上，否则估计不稳。我们先把结局的真实底数算清楚：在 2021–2023 周期、PHQ-9 完整作答的 ≥18 岁成人里，判定为有抑郁症状（总分 ≥10）的占 13.3%（5455 人中 723 例，未加权口径，实机数据计算）——按 3,863 人分析样本实测有 470 例结局（12.2%），储备金远超几百例的需求，加十几个协变量的 logistic 回归绰绰有余。
- 留意"只有更小人群才有数据"的变量：比如某些实验室检测只在血液亚组、或只对某个年龄段采集，漏斗会收得很狠——粗算前先看各文件 Eligible Sample。
自查清单第 2 步：☑ 合并后估算样本量与已发表同类研究量级相近 ☑ 足够支撑计划模型 ☑ 结局事件数充足。
第 3 步 · 是否受限数据？能绕开吗？
NHANES 里并非所有数据都公开。一部分因隐私原因只放在 RDC（Research Data Center，研究数据中心）：研究者需提交申请、审批、甚至前往安全环境分析，门槛和周期都高。
识别受限的两个常见来源：
- 年龄剖分：同一指标，公开文件只给一部分年龄段。我们的 DPQ_L 就是典型——公开文件只有 18 岁以上，而 12–17 岁青少年的抑郁数据只存在于 RDC 受限文件。
- 地理/细小亚组：涉及州、县等地理标识或个人敏感字段的，多为受限。
案例论文需要避坑：它限定 18 岁以上成人，恰好落在 DPQ_L 的公开范围内——不需要碰 RDC，第 3 步通过。
绕行思路（如果目标是受限的）：
- 换目标人群：青少年抑郁受限于 RDC → 改为只做≥18 岁。
- 换公开近似变量：受限的往往是细分、敏感或带地理标识的字段，公开版常有更粗或近似的替代。举个真实例子——NHANES 公开数据的年龄在 80 岁封顶（80 岁及以上合并成"80+"一档，我们实测 2021–2023 周期里恰好 525 人落在这一档）；如果你需要逐岁的精确年龄，那部分就只能走受限数据，这时可以退一步用"80+合并"的公开字段。
- 换周期：个别周期是公开的、另一些是受限的，查清再选。
- 实在绕不开 ≠ 不能做，而是要把"RDC 申请"排进项目周期，成本高很多，一般入门不推荐先碰。
自查清单第 3 步：☑ 目标变量在公开版可得 ☑ 无需 RDC 申请。
案例论文可行性总核对表
把三层结果整理成一张可复用清单（也是本篇配套资产）：
| # | 自查项 | 案例论文结论 |
|---|---|---|
| 1 | 暴露变量可用周期 | LBXVIDMS：VID_E…VID_L（2007 起，P_ 疫情周期除外）✅ |
| 2 | 结局变量可用周期 | DPQ010：DPQ_D…DPQ_L、P_DPQ（2005 起）✅ |
| 3 | 协变量可用周期 | 年龄/收入全周期；种族仅 2011 起 ⚠️ 但不影响 2021–23 ✅ |
| 4 | 目标周期数据齐全 | 2021–2023 五项全在 ✅ |
| 5 | 跨周期定义可比 | 单周期研究，无此问题 ✅ |
| 6 | 分析样本量粗估 | ≥18 成人交集 5,044，论文 3,863 ✅ |
| 7 | 结局事件数 | 抑郁患病率实算 13.3%（≥18 岁完整作答者）；按 3,863 人分析样本实测 470 例（12.2%），足够 ✅ |
| 8 | 是否受限数据 | 公开版即可，无需 RDC ✅ |
| 9 | 是否需额外外部数据 | 无（纯 NHANES）✅ |
| 10 | 研究设计可答 | 横断面关联，属 NHANES 能力范围 ✅ |
【暗线进度条 · 前置关卡 ✅】 论文六要素六结果已拆解、变量清单已定位（第 02 篇，M1）→ 三层可行性自查全部通过 → 下一站：装好 R 环境并下载第一份数据（第 04 篇），再用 nhanesA 让机器替你读取（第 05 篇）。可行性核对表已固化进《案例论文复现规格书》第 5 节 （对应论文 2.1 前置：可行性确认）
一点重要的冷静话：本篇让你确认的是"这个选题在数据层面做得成"，不等于"做出结果就一定能发表"。三层全过只说明"数据拿得到、人也够、不是受限坑"，距离一篇站得住的高质量论文，还差"干净的数据处理、正确的统计方法、站得住的问题设定"这三样，后面几篇就是带你逐个补齐。先把期望摆正，后面才不失望。
想看更多方向？ 本篇教你"自己的选题能不能做"。如果你还没想好做什么，或想知道自己的科室/方向在 NHANES 里有哪些数据可用，见本篇配套附录《NHANES 能做哪些研究？——按科室/方向速查》：内分泌、心血管、肾脏、消化、精神心理、呼吸、口腔、妇儿、公共卫生等十几个方向，每个方向都标了用哪些文件、怎么做（全部以官方文件清单实测核对）。
本篇常见坑
- 不查变量可用周期直接合并多周期：明明某个变量只从某一年开始，硬合并导致大片缺失（RIDRETH3 就是现成例子）。
- 不管 RDC 就设计青少年/地理级选题：数据其实拿不到，白忙一场。
- 不看文件 Eligible Sample 就估样本量：以为"整库几万人"，其实某个关键变量的文件只覆盖一部分人。
- 结局太罕见还不粗算事件数：logistic 回归里结局只有几十例，置信区间宽到没法谈意义。
下篇预告
第 04 篇：装好环境、把数据下载到手。开头 10 分钟速装 R 与必备包（附常见报错速查），接着手把手走官网下载八个文件与配套 Doc、下载后必验的三件事，以及很多人不知道的死亡率数据（NDI Linked Mortality）专门入口；第 05 篇：用 nhanesA 一条命令把同样的数据读进 R，并讲清工具失效时怎么兜底、「手动 vs 自动」该怎么选。
参考来源
- CDC/NCHS. NHANES Variable List（官网变量检索）. https://wwwn.cdc.gov/nchs/nhanes/search/variablelist.aspx
- nhanesA R 包文档. https://cran.r-project.org/web/packages/nhanesA/
- CDC/NCHS. Restricted Data (RDC). https://www.cdc.gov/rdc/
- 案例论文：Front Nutr. 2025;12:1545443. PMID: 40497025.
- 本篇"变量可用周期"由 nhanesA 实机查询得出（nhanesSearchVarName，1999–2023）