外觀
Data Science › R Foundations › 解釋型建模
解釋型建模 (Explanatory Modeling in R)
解釋型建模的目標是理解 outcome 與 predictors 的關係(方向、大小、不確定性),而不是追求最低預測誤差。本篇聚焦 R 的操作:formula 語法、lm() / glm()、類別變數編碼、broom 整理輸出、模型比較。迴歸理論、假設與診斷見 迴歸分析;以預測為目標的流程見 tidymodels。
流程
text
1. 畫圖:散點圖 + 平滑線,看方向、形狀、離群、變異是否隨 x 改變
2. 決定轉換:右偏的正值變數 → log
3. 擬合:lm()(連續)/ glm()(二元、計數)
4. 診斷:殘差圖、影響點
5. 整理:broom::tidy() / glance() / augment()
6. 比較候選模型:anova()、AIC;解讀效應量與信賴區間,不只看 p 值r
library(tidyverse)
library(broom)
ggplot(evals, aes(age, score)) +
geom_point(alpha = 0.4) +
geom_smooth(method = "lm", se = FALSE) + # 線性趨勢
geom_smooth(method = "loess", se = FALSE, color = "tomato") # 對照:是否彎曲Formula 語法
| 寫法 | 意義 | 例子 |
|---|---|---|
y ~ x | 簡單迴歸 | score ~ age |
y ~ x1 + x2 | 多個主效應 | expr ~ condition + batch |
y ~ x1:x2 | 只有交互作用項 | |
y ~ x1 * x2 | 主效應 + 交互作用(= x1 + x2 + x1:x2) | expr ~ genotype * treatment |
y ~ . | 資料中其他所有欄位 | |
y ~ . - id | 排除某欄 | |
y ~ x - 1 或 y ~ 0 + x | 不要截距(類別變數時每組一個係數) | limma 的 ~ 0 + group |
y ~ log(x) | 公式內轉換 | |
y ~ I(x^2) | 算術運算要用 I() 包住 | ^ 在 formula 中另有意義 |
y ~ poly(x, 2)、splines::ns(x, df = 3) | 多項式、自然樣條 | 非線性關係 |
y ~ offset(log(libsize)) + x | 係數固定為 1 的項 | 計數模型的定序深度 |
r
model.matrix(~ condition + batch, data = coldata) # 看 formula 實際產生的設計矩陣model.matrix() 就是 DESeq2 / limma 的 design 背後的東西,見 limma。
線性模型 lm()
r
house <- house_prices |>
mutate(log10_price = log10(price), log10_size = log10(sqft_living))
fit <- lm(log10_price ~ log10_size + yr_built + condition, data = house)
summary(fit) # 係數、SE、t、p、R²、殘差標準誤
confint(fit) # 係數的 95% CI
tidy(fit, conf.int = TRUE) # 係數表 → tibble
glance(fit) # 模型層級:r.squared、adj.r.squared、sigma、AIC、BIC
augment(fit) # 每列:.fitted、.resid、.hat、.cooksd
predict(fit, newdata = new_houses, interval = "confidence") # 平均值的 CI
predict(fit, newdata = new_houses, interval = "prediction") # 單一新觀測的 PI(較寬)
par(mfrow = c(2, 2)); plot(fit) # 4 張診斷圖:殘差 vs fitted、Q-Q、scale-location、leverage| 輸出 | 怎麼讀 |
|---|---|
| 多元迴歸的係數 | 其他變數固定時,該變數增加一單位,y 的平均變化;不能當成單變數相關來讀 |
| log10–log10 模型的係數 | 彈性:x 增加 1%,y 約增加 β% |
| 只對 y 取 log | x 增加一單位,y 乘以 10^β(自然 log 則為 e^β) |
| R² vs adjusted R² | 加變數 R² 必增;比較不同變數數的模型用 adjusted R² 或 AIC |
sigma | 殘差標準差,與 y 同單位,代表典型的預測誤差 |
殘差圖的判讀見 模型假設與診斷;解釋與預測目標的差異見 多元線性迴歸。
類別變數
R 會自動把 factor 轉成 dummy 變數,第一個 level 是參考組,其他係數都是「與參考組的差」。
r
coldata$condition <- factor(coldata$condition, levels = c("control", "treated"))
coldata$condition <- relevel(coldata$condition, ref = "control") # 同樣效果
fit <- lm(expr ~ condition + batch, data = coldata)
# conditiontreated 的係數 = treated − control(在 batch 固定下)| 想要 | 做法 |
|---|---|
| 改參考組 | relevel() 或 factor(levels = ),見 類別資料 |
| 所有組兩兩比較 | emmeans::emmeans(fit, pairwise ~ group)(含多重比較校正) |
| 各組的調整後平均(marginal means) | emmeans::emmeans(fit, ~ group) |
| 整個類別變數是否有效應 | anova(fit) 或 car::Anova(fit, type = 2) |
交互作用模型
y ~ genotype * treatment中,treatment的主效應係數是「在 genotype 參考組下」的處理效應,不是整體平均效應。這是解讀 DESeq2 交互作用設計時最常見的誤解。
廣義線性模型 glm()
| outcome | family | 係數解讀 | 筆記 |
|---|---|---|---|
| 二元(有病 / 沒病) | binomial | exp(β) = odds ratio | 邏輯斯迴歸 |
| 計數 | poisson | exp(β) = rate ratio | 計數資料 GLM |
| 過度離散計數(RNA-seq reads) | MASS::glm.nb() | exp(β) = rate ratio | 同上 |
| 正值、右偏(濃度) | Gamma(link = "log") | exp(β) = 平均值的倍數 |
r
fit_lr <- glm(disease ~ age + sex + smoking, family = binomial, data = cohort)
tidy(fit_lr, exponentiate = TRUE, conf.int = TRUE) # 直接得到 OR 與 95% CI
fit_nb <- MASS::glm.nb(count ~ condition + offset(log(libsize)), data = df)重複測量、同一病人多個樣本時要用混合模型(lme4::lmer()),見 混合效應模型。
模型比較
r
m1 <- lm(log10_price ~ log10_size, data = house)
m2 <- lm(log10_price ~ log10_size + yr_built + condition, data = house)
anova(m1, m2) # 巢狀模型的 F 檢定:多加的變數整體是否有幫助
AIC(m1, m2); BIC(m1, m2) # 越小越好;不需巢狀,但資料必須相同(注意 NA 造成的列數差異)
map(list(m1 = m1, m2 = m2), glance) |> list_rbind(names_to = "model")| 指標 | 用途 |
|---|---|
anova() | 巢狀模型;glm 用 anova(m1, m2, test = "LRT") |
| AIC / BIC | 兼顧配適與複雜度;BIC 懲罰較重 |
| adjusted R² | 只限線性模型 |
| 殘差圖 | 新模型是否修正了系統性型態 |
解釋型建模中,變數的選擇應由研究問題與因果假設決定(要控制哪些混淆因子),而不是逐步迴歸挑出 p 值最小的組合。見 混淆與偏誤。
常見錯誤
| 錯誤 | 修正 |
|---|---|
沒畫圖就 lm() | 先看散點圖:彎曲、分群、變異不等 |
| 只看 p 值 | 報告效應量與 CI(tidy(conf.int = TRUE)) |
| 右偏的價格、濃度直接建模 | 取 log,或用 Gamma / log-link GLM |
| 數值編碼的類別(批次 1、2、3)沒轉 factor | 被當成連續變數,只估一個斜率;先 factor() |
| 參考組不是預期的組 | fold change 方向相反;明確設定 levels |
| 比較 AIC 時兩個模型用的列數不同 | 有 NA 的欄位會讓 lm() 自動刪列;先 drop_na() 統一資料 |
I() 漏寫:y ~ x^2 | formula 中 ^ 是交互作用展開,結果只有 x;寫 I(x^2) 或 poly() |