Lasso-Logistic与Group Lasso-Logistic模型在出生缺陷研究中的应用

摘要

目的：
　　出生缺陷成因复杂、病因不明确、影响因素多，并且各影响因素之间关系复杂且存在相关性，而传统统计方法因为变量过多而导致估计偏差，只能达到变量选择的部分目标。本文将采用基于Lasso、Group Lasso的Logistic回归变量选择方法对出生缺陷影响因素进行分析，挖掘影响出生缺陷儿的关键因素，建立出生缺陷患病概率预测模型，为出生缺陷的预防和控制提供更好的指导。
　　方法：
　　本文首先介绍Lasso、Group Lasso基本原理。其中，Group Lasso是对Lasso方法的延伸，在对具有多分类的因素进行变量选择时是以整组为单位进行选择，而不是选择其中的某个分类。Group Lasso进行整组变量选择可以更好地解释和分析所研究的因素。本文以山西省人口计生委科学研究所2006-2008年对山西省6个县（市）所有出生儿及其家庭情况问卷调查的数据进行分析，该调查共收回有效问卷35058份，其中493例为出生缺陷患儿。整理出38个指标，以出生缺陷发生与否为因变量，其他为自变量。对于具有多个分类或水平的指标设置虚拟变量，共有37组50个变量。采用基于Lasso、Group Lasso的Logistic回归模型方法构建出生缺陷患儿发生概率预测模型，评价这些模型的预测性能。
　　结果：
　　Lasso和Group Lasso具有较好的变量选择效果。母亲的生育年龄、居住地、家庭人均收入、近亲结婚、有亲属缺陷儿、母亲孕早期贫血、有自然流产史、亲属缺陷儿、孕早期感冒、发热、服用感冒药、抗生素、经常与宠物接触、居住周边有污染源、家人经常吸烟、经常饮酒等因素对出生缺陷有重要影响；孕早期常吃肉类、蔬菜、补充叶酸制剂可有效降低出生缺陷的发生。以TPR、TNR、G-mean、AUC作为评价指标，针对不平衡分布的出生缺陷数据，并基于Logistic建立预测模型，对模型预测性能进行比较，结果显示Lasso、Group Lasso的测试集的预测效果都高于全模型logistic和逐步回归，具有较好的外推能力。
　　结论：
　　Lasso-Logistic、Group Lasso-Logistic回归模型可以选择出可解释的出生缺陷重要变量，并可以进行有效预测。Lasso可以选择比Group Lasso更简洁的模型，而Group Lasso-Logistic成组地选择变量可以更好地解释和分析所研究的因素，具有更强的实际应用意义。