在这种情况下，它似乎与样本量无关，因为个别年份的 CI 甚至不与整个时期的 CI 重叠。

很难说到底发生了什么。您的代码会有所帮助 - 完整数据集的模型是否包括作为 IV 的年份？你的因变量是什么？你的自变量是什么？

显然，年份似乎是一个令人困惑的变量。换句话说，你有

DV ~ IV

但是，此外，DV 与年份有关，IV 与年份有关。

与时间混淆是很常见的。如果 DV 随着时间的推移变得更有可能，并且 IV 随着时间的推移而增加，那么就会存在一组与您发现的关系类似的关系。

为了扩展 Peter Flom 的回答（在 Michael Chernick 随后的回复中得到回应），这张图可能有助于直觉。

下面的R代码展示了它是如何产生的。简而言之，它每年生成 400 个数据点，变量的值$x$范围从$0$至$2$通过$2$至$4$，每年向上移动：这是一种（轻度）混淆$x$和year。它创造了概率$y$根据逻辑模型，并为以后使用，生成二进制观察$z$根据这些概率。绘制了概率，颜色区分了年份。最后，用虚线对这 2000 个观测值进行逻辑拟合。

# Create sample data
#
logistic <- function(x) 1 / (1 + exp(-x))
n <- 400      # Values per year
offset <- 80  # Shift in x-values year-to-year
year <- as.factor(floor(seq(from=2006,to=2011-1/n, by=1/n)))
x <- as.vector(sapply(1:5, function(i) offset*i + 1:n)) / n * 2
y <- logistic((4 - 2/3 * x - unclass(year)))
set.seed(17)
z <- rbinom(length(y), 1, prob=y)
data <- data.frame(cbind(x, year, y, z))
#
# Plot the *probabilities* which underlie the data.
#
par(mfrow=c(1,1))
plot(x, y, col=year, pch=19, cex=0.75, ylab="Probability", 
     main="Individual and Overall Fits")
#
# Plot the overall fit.
#
b <- summary(glm(z ~ x, data=data, family=binomial(link="logit")))$coefficients
curve(logistic(b[1] + b[2]*x), add=TRUE, lwd=3, lty=2, col="Gray")

显然，这种下降曲线的“阶梯”的效果是使整个模型平均通过中间，这表明下降比任何单个步骤（年份）显示的要陡峭得多。

我们也可以计算优势比及其 95% CI：

output <- function(d) {
  b <- summary(glm(z ~ x, data=d, family=binomial(link="logit")))$coefficients
  a <- b["x", "Estimate"]
  u <- b["x", "Std. Error"]
  z <- qnorm(c(.025, .975))
  exp(c(a, a + z*u))
}
output(data)
by(data, data$year, output)

每个模型的（清理后的）输出，形式为（估计、下限、上限），是

Overall
0.17 0.14 0.20
year: 1
0.54 0.31 0.94
year: 2
0.53 0.37 0.78
year: 3
0.36 0.25 0.53
year: 4
0.61 0.36 1.03
year: 5
0.47 0.22 1.01

0.17 的总体系数低于任何年度（特定年份）拟合的置信下限，其中一些显然甚至不显着（因为它们的置信区间包括 1.0）。

注释

这种现象并不是逻辑回归所特有的：它出现在许多普通的回归中，并且以这种形式，已经在本网站的其他地方进行了讨论和说明。（恐怕发现讨论可能需要一些聪明的搜索。）许多教科书使用这样的例子来说明在统计模型中包含和控制重要变量的价值并讨论混淆。

这个例子使用了相当大的（子）样本量：这表明置信区间宽度的变化并不完全是由于样本量的变化。事实上，大部分的变化是因为每一个“阶梯”都比整体趋势要浅得多，因此根本就没有趋势那么容易区分。

没有进行多重测试：我们只关注一个协变量。

我认为较小的样本量可以解释为什么有些年份很重要而有些年份不重要。实际上，如果您对 5 个不同的测试进行多重性校正，您可能会发现在对测试进行适当的 p 值调整的情况下，它们都不显着。

但是彼得发现了一个重要的观察结果。个别年份给出的优势比接近 1（三个案例 1 包含在区间中）。但是，当汇总这些年份时，与任何单个年份相比，该比率离 1 远得多。这向我表明，影响结果的某些因素每年都不同。如果是这种情况，如果不将该混杂因素作为模型中的另一个协变量包含在内，则数据实际上是不可合并的。然而，要理解这一点，我们需要了解更多细节。您还没有告诉我们您正在使用什么协变量以及您正在比较的协变量的值以获得优势比。

但是，关于直觉的问题的答案，您看到的结果是由于样本量的差异、多次测试以及模型依赖于年份的某些原因导致的，因此无法合并。