An integration of decision trees into latent class modeling with covariates

隐藏的群体与混乱的地图

想象你是一名正在试图破解谜团的侦探，但你的目标不是寻找单一的罪犯，而是试图寻找行为方式相似的隐藏群体。在统计学世界中，这被称为潜在类别分析（Latent Class Analysis）。你可以把它想象成一个神奇的显微镜，观察一堆数据——比如关于健康或习惯的调查回答——然后说：“啊！这些人并不只是随机分布的；他们属于一个‘高风险’俱乐部，而另一些人则属于‘低风险’俱乐部。”这些俱乐部是“潜在”的，意味着你无法直接看到它们，只能通过指向它们的线索（数据）来发现它们。

但棘手之处在于：一旦你找到了这些隐藏的俱乐部，你还想知道为什么某人最终会进入其中一个俱乐部而不是另一个。是因为年龄大吗？是因为吸烟吗？还是因为锻炼？通常，科学家会使用一种名为**逻辑回归模型（logistic model）*的标准工具来回答这个问题。把这个工具想象成一把直的、僵硬的尺子。它试图通过线性累加的方式来测量年龄、吸烟和锻炼的影响。如果世界是简单的，它表现得很好；但现实生活是混乱的。有时，变老本身并不重要，除非你同时也*在吸烟。有时，保持活跃只有在你是年轻人时才会有帮助。这些被称为“交互作用（interactions）”，而试图将它们强行塞进一把直尺中，往往会导致尺子折断，或者让数学计算变得极其复杂，以至于没人能理解结果。这正是 Johan Lyrvall 和 Felix Clouth 试图解决的难题。

数据中生长出的树

在他们的新论文中，Lyrvall 和 Clouth 提出了一个聪明的转折点：与其使用一把直尺来预测一个人属于哪个隐藏群体，不如使用决策树（decision tree）。你可能在“选择你的冒险故事”类书籍或电子游戏中见过这些。你从顶部开始，提出一个问题：“角色是否超过 60 岁？”如果是，就向右走；如果不是，就向左走。然后根据你落到的位置提出下一个问题。这是一个循序渐进的过程，最终导向一个答案。

作者建议直接在潜在类别分析内部构建这样一种树。与其去猜测年龄、性别和习惯之间复杂的组合关系，不如让计算机观察数据并询问：“哪一个单一的问题能最好地划分这些群体？”它可能会发现“年龄”是最重要的第一个问题。接着，对于“60 岁以下”的群体，它可能会问：“你是否经常运动？”对于“60 岁以上”的群体，它可能会问：“你是否吸烟？”这创建了一张能够自然处理那些混乱交互作用的地图，而无需写下成千上万个复杂的数学公式。

研究人员使用来自 4,546 名美国成年人的真实健康数据测试了这个想法。他们想看看能否预测谁属于“健康状况较差”组，谁属于“健康状况较好”组。首先，他们使用标准方法，根据八种不同的健康问题（如哮喘、心脏病或高血压）来定义这两个健康组。他们发现 63% 的人属于“健康状况较好”组，37% 的人属于“健康状况较差”组。

然后，他们让这棵新的决策树生长起来。树的起点是询问：“此人是否 60 岁或以上？”这是最佳的分裂点。

• 如果你在 60 岁以下： 树会问：“你是否经常运动？”如果你经常运动，你属于“健康状况较差”组的概率仅为 10%。如果你不常运动，这一比例跳升至 17%。
• 如果你在 60 岁或以上： 树变得更加具体。如果你经常运动，你处于“健康状况较差”组的概率为 73%。但如果你不常运动，情况则取决于你的性别和吸烟习惯。不常运动的老年女性风险最高，达到 85%。对于不常运动的老年男性，树再次进行了分裂：如果他们吸烟，风险为 78%；如果他们不吸烟，风险则为 63%。

作者发现，这种树状结构比传统的数学公式更容易阅读和理解。它清晰地展示了不同因素是如何结合在一起改变概率的。例如，它揭示了对于老年男性来说，吸烟似乎与较低的“健康状况较差”风险相关联。作者指出，这听起来很奇怪，但表明这可能是由于“幸存者偏差”（也许只有最健康的吸烟者才活到了高龄），或者是因为有些人觉得状态良好，觉得没必要戒烟。

论文指出，这种方法是一个强大的新工具。它不需要任何古怪的新假设；它只是使用了统计学家已经信任的标准数学工具，但将其排列成树状结构。作者承认，他们目前的版本最适合处理简单的“是或否”问题（二元数据），比如“你是否超过 60 岁？”或“你是否吸烟？”他们建议，未来的工作需要研究如何处理更复杂的问题，比如“你的确切年龄是多少？”或“你的收入是多少？”

他们还警告说，构建这些树有点像一步步攀登高山。计算机根据它当前所处的位置来选择下一步，而不一定是整个旅程中的最佳路径。这是决策树的一个常见特征，而非他们创造的新问题。为了确保树不会仅仅是在死记硬背数据（一个被称为“过拟合”的问题），他们测试了两种修剪树的方法：一种是基于分裂是否具有统计学意义（而非仅仅是随机运气），另一种是基于一个被称为 BIC 的评分，该评分在模型的拟合程度与简洁度之间取得了平衡。

简而言之，这篇论文提出了一种方法，让决策树引导我们穿过决定我们属于哪个隐藏群体的复杂因素网络。它将混乱的交互作用纠缠转化为清晰、循序渐进的路径，使研究人员更容易看到隐藏在数据中的故事。虽然这仍然是一个需要更多测试和扩展的新想法，但它提供了一种新鲜、直观的方式，让我们观察生活方式和习惯是如何塑造我们所属的群体。