羅艷虹，胡良平

(1.山西醫(yī)科大學(xué)公共衛(wèi)生學(xué)院衛(wèi)生統(tǒng)計學(xué)教研室，山西 太原 030001；2.世界中醫(yī)藥學(xué)會聯(lián)合會臨床科研統(tǒng)計學(xué)專業(yè)委員會，北京 100029；3.軍事科學(xué)院研究生院，北京 100850

1 概 述

相對于因變量是“計數(shù)變量”和“定性變量”而言，因變量為“計量變量”的回歸建模方法的種類更多。其中，若按是否采用“適應(yīng)性回歸分析”可劃分為以下兩類：適應(yīng)性回歸分析[1-2]與非適應(yīng)性回歸分析[3-12]。在非適應(yīng)性回歸分析方法中，最常用且最有代表性的就是多重線性回歸分析方法，在SAS軟件中，可以通過REG過程來實現(xiàn)。

本文將采用ADAPTIVEREG過程和REG過程來實現(xiàn)對同一個數(shù)據(jù)集的回歸建模，并結(jié)合數(shù)據(jù)集和數(shù)據(jù)子集的真實情況，反映并揭示兩種建模思想對數(shù)據(jù)集和數(shù)據(jù)子集的建模效果。從而得出對回歸建模及建模效果評價有意義的參考性建議。

2 問題與數(shù)據(jù)結(jié)構(gòu)

2.1 原問題與數(shù)據(jù)集

沿用本期科研設(shè)計方法專題中第二篇文章《適應(yīng)性回歸分析(II)——排除噪聲變量的干擾》(以下簡稱“前文”)中的“問題與數(shù)據(jù)結(jié)構(gòu)”，其數(shù)據(jù)集名為“artificial”。

2.2 新問題與數(shù)據(jù)集

在原問題中，數(shù)據(jù)集artificial包含一個因變量y及其取值，10個在(0，1)區(qū)間上服從均勻分布的隨機變量x1～x10及其取值；y是x1和x2的函數(shù)，并具有“前文”式(1)的表達式。整個數(shù)據(jù)集的樣本含量N=400。隨機變量x3～x10是獨立于因變量y的，或者說，它們是與因變量y無關(guān)的隨機變量。

2.3 擴展的數(shù)據(jù)集

2.3.1 擴展的數(shù)據(jù)集a1

在數(shù)據(jù)集artificial的基礎(chǔ)上，引入由隨機變量x1～x10產(chǎn)生的派生變量[3]，它們是由隨機變量x1～x10的全部二次項組成，共55項(包括10個平方項和45個交叉乘積項)。連同隨機變量x1～x10共有65個自變量，所得的數(shù)據(jù)集為a1。所需要的SAS數(shù)據(jù)步程序如下：

data a1;

set artificial;

z1=x1*x1;z2=x1*x2;z3=x1*x3;

z4=x1*x4;z5=x1*x5;z6=x1*x6;

z7=x1*x7;z8=x1*x8;z9=x1*x9;

z10=x1*x10;z11=x2*x2;z12=x2*x3;

z13=x2*x4;z14=x2*x5;z15=x2*x6;

z16=x2*x7;z17=x2*x8;z18=x2*x9;

z19=x2*x10;z20=x3*x3;z21=x3*x4;

z22=x3*x5;z23=x3*x6;z24=x3*x7;

z25=x3*x8;z26=x3*x9;z27=x3*x10;

z28=x4*x4;z29=x4*x5;z30=x4*x6;

z31=x4*x7;z32=x4*x8;z33=x4*x9;

z34=x4*x10;z35=x5*x5;z36=x5*x6;

z37=x5*x7;z38=x5*x8;z39=x5*x9;

z40=x5*x10;z41=x6*x6;z42=x6*x7;

z43=x6*x8;z44=x6*x9;z45=x6*x10;

z46=x7*x7;z47=x7*x8;z48=x7*x9;

z49=x7*x10;z50=x8*x8;z51=x8*x9;

z52=x8*x10;z53=x9*x9;z54=x9*x10;

z55=x10*x10;

run;

【說明】在上面的程序中，“z1=x1*x1”和“z11=x2*x2”分別代表x1與x2的平方項；“z2=x1*x2”代表x1與x2的交叉乘積項；z3～z10代表與x1有關(guān)的交叉乘積項；z12～z19代表與x2有關(guān)的交叉乘積項。也就是說，z1～z19或多或少與因變量y有一定的聯(lián)系。z20～z55這36個變量都獨立于因變量y；另外，由前面的介紹可知，隨機變量x3～x10是獨立于因變量y的，故獨立于因變量y的自變量共有44個(即x1～x10，z20～z55)。

2.3.2 擴展的數(shù)據(jù)集a2

由于因變量y是計量變量，故可以對其進行變量變換。常規(guī)的變量變換方法有以下五種：對數(shù)變換、平方根變換、倒數(shù)變換、指數(shù)變換和Logistic變換[13-15]。在數(shù)據(jù)集a1基礎(chǔ)上，引入對因變量y的上述五種變換，分別記為y1～y5，所得的數(shù)據(jù)集為a2。所需要的SAS數(shù)據(jù)步程序如下：

data a2;

set a1;

y1=log(y+5);y2=sqrt(y+5);y3=1/(y+5);

y4=exp(y+5);y5=exp(y+5)/(1+exp(y+5));

run;

【說明】因為在因變量y的取值中，出現(xiàn)了負數(shù)和零，不便于取對數(shù)和平方根變換，統(tǒng)一加上一個正數(shù)5即可。

數(shù)據(jù)集a2中包含了數(shù)據(jù)集a1，而其又包含了數(shù)據(jù)集artificial，故以下僅基于數(shù)據(jù)集a2進行計算即可。

2.3.3 數(shù)據(jù)集a2中變量的分類

因變量有6種表現(xiàn)形式，分別為原先的形式y(tǒng)、取了不同變量變換后的形式y(tǒng)1～y5；自變量可分為以下兩類：A類中含有21個與因變量有關(guān)系的自變量，即“x1和x2，z1～z19”；B類中含有44個與因變量無關(guān)系的自變量，即“x3～x10，z20～z55”。

3 基于a2數(shù)據(jù)集中A與B兩類共65個自變量進行回歸建模

3.1 采用ADAPTIVEREG過程對65個自變量進行回歸建模

3.1.1建模策略

分別選取y、y1～y5為因變量，利用65個自變量(其中，A類21個自變量與因變量有關(guān)系，B類44個自變量與因變量無關(guān)系)，采用ADAPTIVEREG過程進行回歸建模。

3.1.2 建模結(jié)果

建模的輸出結(jié)果較多，下面僅給出自變量對因變量貢獻排名前五位的自變量及反映其重要性大小的百分數(shù)。見表1。

表1 ADAPTIVEREG過程對65個自變量進行回歸建模給出前五位自變量及其重要性數(shù)值

由表1可知：分別以“y、y1和y2”為因變量時，ADAPTIVEREG過程從65個自變量中提取的前五位重要的自變量全部屬于A類中的自變量；而分別以“y3、y4和y5”為因變量時，ADAPTIVEREG過程從65個自變量中提取的前五位重要的自變量中分別有4、3、3個屬于A類中的自變量，即出錯數(shù)目分別為1、2、2個。

3.2 采用REG過程對65個自變量進行回歸建模

3.2.1建模策略

分別選取y、y1～y5為因變量，利用65個自變量(其中，A類21個自變量與因變量有關(guān)系，B類44個自變量與因變量無關(guān)系)，采用REG過程進行回歸建模。具體地說，在假定模型包含截距項與不含截距項的條件下，再分別采用“前進法”“后退法”和“逐步法”篩選自變量，并記錄下最終回歸模型的有關(guān)重要信息。

3.2.2 建模結(jié)果

建模的輸出結(jié)果較多，下面僅給出最終的回歸模型中分別包含A類與B類自變量的數(shù)目。見表2。

表2 REG過程對65個自變量進行回歸建模保留A與B類自變量的數(shù)目

由表2可知：假定回歸模型中不含截距項時，保留在回歸模型中的自變量數(shù)目明顯增多，此時，有很多與因變量無關(guān)的自變量會被保留在最終的回歸模型之中。假定回歸模型中包含截距項且采用前進法或逐步法篩選自變量時，回歸模型中保留與因變量無關(guān)的自變量的數(shù)目比較少，即結(jié)論的正確性較高。

4 基于a2數(shù)據(jù)集的B類中44個自變量進行回歸建模

4.1 采用ADAPTIVEREG過程對B類中44個自變量進行回歸建模

4.1.1建模策略

分別選取y、y1～y5為因變量，利用B類中44個自變量，采用ADAPTIVEREG過程進行回歸建模。

4.1.2 建模結(jié)果

建模的輸出結(jié)果很多，為節(jié)省篇幅，下面僅給出自變量對因變量貢獻排名前五位的自變量及反映其重要性大小的百分數(shù)。見表3。由表3可知：盡管B類中44個自變量獨立于因變量，但ADAPTIVEREG過程仍以較高的“重要性”數(shù)值保留了較多的自變量。

表3 ADAPTIVEREG過程對B類中44個自變量進行回歸建模給出前五位自變量及其重要性數(shù)值

4.2 采用REG過程對B類中44個自變量進行回歸建模

4.2.1 建模策略

分別選取y、y1～y5為因變量，利用B類中44個自變量，采用REG過程進行回歸建模。具體地說，在假定模型包含截距項與不含截距項的條件下，再分別采用“前進法”“后退法”和“逐步法”篩選自變量，并記錄下最終回歸模型的有關(guān)重要信息。

4.2.2 建模結(jié)果

建模的輸出結(jié)果較多，下面僅給出最終的回歸模型中包含B類自變量的數(shù)目。見表4。

表4 REG過程對B類中44個自變量進行回歸建模保留自變量的數(shù)目

由表4可知：假定回歸模型中包含截距項且采用前進法篩選自變量時，與因變量無關(guān)的自變量全部都不被保留在回歸模型中，結(jié)果最可信；假定回歸模型中包含截距項且采用逐步法篩選自變量時，與因變量無關(guān)的自變量幾乎都不被保留在回歸模型中(本例僅因變量y3時有一個自變量)，結(jié)果比較可信；而假定回歸模型中不含截距項且采用“指數(shù)變換(因變量y4)”時，與因變量無關(guān)的自變量被保留在回歸模型中的數(shù)目最少(本例中出現(xiàn)了一個)；假定回歸模型中不含截距項且采用Logistic變換(因變量y5)時，與因變量無關(guān)的自變量被保留在回歸模型中的數(shù)目最多(本例中出現(xiàn)了43個)。

5 回歸建模所需要的SAS程序

5.1 實現(xiàn)表1和表3計算的SAS程序

5.1.1 實現(xiàn)表1計算所需要的SAS過程步程序

proc adaptivereg data=a2;

model y=x1-x10 z1-z55;

quit;

5.1.2 實現(xiàn)表3計算所需要的SAS過程步程序

proc adaptivereg data=a2;

model y=x3-x10z20-z55;

quit;

5.1.3 關(guān)于上述SAS程序的說明

將因變量y依次修改為“y1～y5”，分別運行上面的SAS過程步程序。

5.2 實現(xiàn)表2和表4計算的SAS程序

5.2.1 實現(xiàn)表2計算所需要的SAS過程步程序

proc reg data=a2;

model y=x1-x10 z1-z55/selection=forward sle=0.05;

quit;

proc reg data=a2;

model y=x1-x10 z1-z55/noint selection=forward sle=0.05;

quit;

5.2.2 實現(xiàn)表4計算所需要的SAS過程步程序

proc reg data=a2;

model y= x3-x10 z20-z55/selection=forward sle=0.05;

quit;

proc reg data=a2;

model y=x3-x10 z20-z55/noint selection=forward sle=0.05;

quit;

5.2.3 關(guān)于上述SAS程序的說明

將“model語句”中的“selection=”及其后面的內(nèi)容分別修改為“backward sls=0.05;”和“stepwise sle=0.5 sls=0.05;”，就是采用“后退法”和“逐步法”篩選自變量；將因變量y依次修改為“y1～y5”，分別運行上面的SAS過程步程序。

6 討論與結(jié)論

6.1 討論

統(tǒng)計學(xué)教科書上所講授的、統(tǒng)計軟件中所實現(xiàn)的回歸分析方法，主要依據(jù)是數(shù)學(xué)原理和數(shù)理統(tǒng)計知識；實際工作者在運用回歸分析技術(shù)時，并不知曉資料的自變量中哪些與因變量有關(guān)系、哪些與因變量無關(guān)系，全依靠回歸分析技術(shù)和統(tǒng)計軟件計算的結(jié)果來作出肯定或否定的結(jié)論。

基于本文的“數(shù)據(jù)結(jié)構(gòu)”“真實情況”和“兩種回歸建模思路及計算結(jié)果”，可提出以下問題：在通常情況下，使用回歸分析技術(shù)處理各種“真實情況未知”的試驗數(shù)據(jù)時，所得到的“回歸分析結(jié)果”的可信度究竟有多高？究竟應(yīng)該如何提高回歸分析結(jié)果的可信度？

筆者認為：對于“真實情況未知”的試驗數(shù)據(jù)而言，無論采用“參數(shù)法”“半?yún)?shù)法”“非參數(shù)數(shù)”或所謂的“機器學(xué)習(xí)或深度學(xué)習(xí)”等方法進行回歸建模，都是在“無中生有”，其整個過程都是一個“黑箱”，結(jié)果的可信度在相當(dāng)大的程度上取決于資料中變量之間的真實情況。然而，當(dāng)研究者對資料的真實情況一無所知時，應(yīng)采取非常審慎的態(tài)度看待其分析結(jié)果。

6.2 結(jié)論

當(dāng)資料中存在與因變量確有關(guān)系的自變量時，①由表1可知，ADAPTIVEREG過程具有較好的甄別能力；當(dāng)對因變量采取對數(shù)變換或平方根變換時，其甄別能力下降；當(dāng)對因變量采取倒數(shù)變換或指數(shù)變換或Logistic變換時，其甄別能力下降較為明顯。②由表2可知，REG過程具有較好的甄別能力，但需要滿足一定條件，即采用“前進法”或“逐步法”篩選自變量，同時還需要“假定模型包含截距項”。

當(dāng)資料中不存在與因變量確有關(guān)系的自變量時，①由表3可知，ADAPTIVEREG過程幾乎完全失去了甄別能力；②由表4可知，REG過程具有較好的甄別能力，但需要滿足一定條件，即采用“前進法”篩選自變量，同時還需要“假定模型包含截距項”。若對因變量采取指數(shù)變換且“假定模型不含截距項”時，無論采取“前進法”“后退法”或“逐步法”篩選自變量，都具有較好的甄別能力(見表4中倒數(shù)第2行最后3個數(shù)據(jù)，從44個獨立于因變量的自變量中僅錯誤地保留了一個自變量)。若研究者基于基本常識和專業(yè)知識確定的自變量都與因變量有關(guān)系，對因變量進行Logistic變換，并且，假定回歸模型中不含截距項時，會在回歸模型中保留非常多的自變量。此時，反映模型對資料擬合效果的R2值非常接近1、均方誤差MSE的數(shù)值遠遠小于1(因輸出結(jié)果較多，未在表2和表4中呈現(xiàn)出來)。