Skip to content

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 logx 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() ​

outcomefamily係數解讀筆記
二元(有病 / 沒病)binomialexp(β) = odds ratio邏輯斯迴歸
計數poissonexp(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^2formula 中 ^ 是交互作用展開,結果只有 x;寫 I(x^2) 或 poly()