項超，孫珂祎，呂鵬飛，王延新

（寧波工程學院 理學院,浙江 寧波315211）

0 引言

隨著大數(shù)據(jù)時代的到來，在自然科學、人類學和工程學等領(lǐng)域的數(shù)據(jù)集越來越豐富，數(shù)據(jù)結(jié)構(gòu)日趨復雜。這些數(shù)據(jù)的主要特點是數(shù)據(jù)的維數(shù)很高，往往大于樣本量；并且隨著維數(shù)的增加，噪聲積累，存在虛假相關(guān)。范劍青指出高維回歸模型中系數(shù)存在稀疏性，即絕大部分解釋變量的系數(shù)為0，因此需要通過變量選擇的方法建立稀疏模型，以提高模型的解釋能力和參數(shù)估計的精確度。

變量選擇是從眾多變量中選擇重要的相關(guān)變量來達到穩(wěn)健建模的方法，傳統(tǒng)的變量選擇方法如最優(yōu)子集選擇、逐步回歸等方法在維數(shù)較高的情況下存在計算量大，變量選擇不穩(wěn)定等缺點[1-3]。近些年，統(tǒng)計學家們提出基于懲罰函數(shù)的正則化變量選擇方法。Tibshirani[4]提出的LASSO是一種最常用的稀疏化手段，主要在于它的可解釋性和預測的有效性，并且本身是凸優(yōu)化問題可以快速求得最優(yōu)解。但LASSO對較大系數(shù)的估計是有偏差的，并且不一定滿足oracle性質(zhì)[5]，故Zou提出自適應LASSO，自適應LASSO是無偏估計[6]。高維數(shù)據(jù)經(jīng)常遇到變量之間的共線性問題，使得LASSO表現(xiàn)不夠理想，2009年，Zou和Hastie提出了彈性網(wǎng)(Elastic net)。此外各種非凸罰函數(shù)如SCAD[5]、MCP[8]、SICA[9]和EXP[10]等相繼被提出。

幸福是人類千百年來生生不息的追求，幸福生活與每個人的生存與發(fā)展息息相關(guān)。每個人對幸福感都有自己的衡量標準，過上美好幸福的生活是廣大人民群眾的希望。何為“幸?！保腋Ｊ侨藗儗τ谏罡鱾€方面的滿足感，從馬斯洛需求層次理論來說，人的需求被分為生理需求、安全需求、社交需求、尊重需求和自我實現(xiàn)需求，只有這五大需求得以滿足，才能說的上真正意義上的幸福。目前，我國居民幸福感處于什么狀態(tài)，哪些因素對人們的幸福感有影響，不同人之間幸福感是否有差異，都是圍繞幸福這一問題展開。如果能發(fā)現(xiàn)影響幸福感的共性，生活中將多一些樂趣；如果能找到影響幸福感的影響因素，便能優(yōu)化資源配置來提升國民的幸福感。

本文基于CGSS項目的公開數(shù)據(jù)的問卷調(diào)查結(jié)果，結(jié)合LASSO、SCAD和MCP罰構(gòu)建正則化Logistic回歸模型，研究幸福感的主要影響因素。

1 模型建立

1.1 Logistic回歸模型

Logistic回歸模型是一種廣義的線性回歸模型，用來分類0-1問題，也就是預測結(jié)果是0還是1的分類問題。設(shè)yi和xi=（xi1，…，xip）分別是響應變量和解釋變量，i=1,2,3，…，n，yi∈{1,0}，同時假設(shè)yi和xij相互獨立，Logistic回歸可表示為：

其中

則Logistic回歸的對數(shù)似然函數(shù)為：

1.2 正則化Logistic模型

對于Logistic回歸模型，響應變量yi∈{1,0}，y的期望依賴于函數(shù)假設(shè)

基于懲罰函數(shù)的Logistic模型的一般框架為

文中對橢圓擬合法進行了深入研究，針對其容易受到噪聲干擾和魯棒性差的問題，提出一種改進的適合于紅外圖像的瞳孔定位算法，通過形態(tài)學運算、斑點干擾去除等提高算法的抗干擾性。

Tibshirani[4]提出的Lasso是一種最常用的稀疏化手段，主要在于它的可解釋性和預測的有效性，并且本身是凸優(yōu)化問題可以快速求得最優(yōu)解。LASSO罰函數(shù)定義為

Fan和Li[5]指出一個好的罰函數(shù)應該同時具備三種性質(zhì)，即連續(xù)性、無偏性和稀疏性。但Lasso對較大系數(shù)的估計是有偏的，并且不一定滿足Oracle性質(zhì)，故Fan和Li提出了SCAD罰函數(shù)，SCAD罰函數(shù)如下：

其中，對于給定的λ＞0，α＞2，SCAD罰函數(shù)是分段函數(shù)形式，分別對應常數(shù)、線性函數(shù)和二次函數(shù)。SCAD在區(qū)間（-∞，0）∪（0，+∞）上是連續(xù)可微的罰函數(shù)，但在原點處是奇異的，并且在區(qū)間[-αλ,αλ]處的導數(shù)為0。

MCP估計與SCAD估計類似，MCP估計也具有連續(xù)性、無偏性和稀疏性等性質(zhì)。MCP罰函數(shù)如下[8]：

λ≥0決定懲罰的大小，α是影響懲罰范圍的調(diào)整參數(shù)。MCP罰函數(shù)滿足近似連續(xù)性，

2 坐標下降算法

本本文考慮利用坐標下降算法[11]求解SCAD，MCP及LASSO估計問題。坐標下降法是一種非梯度優(yōu)化算法，其基本思想為：在每步迭代中沿一個坐標方向進行線性搜索，與此同時固定其他坐標方向，再循環(huán)使用不同坐標方法從而達到目標函數(shù)的局部極小值。

考慮目標函數(shù)

W為關(guān)于加權(quán)函數(shù)的對角矩陣，其對角線上元素為

其中π由β（m）估計。

對于LASSO的坐標下降步為

同理，對于SCAD罰的坐標下降步為

其中α＞1+1/vj。對于MCP罰為

其中α＞1/vj。

基于上述，完整的罰Logistic回歸的坐標下降算法如下（以SCAD罰為例）：

Step 1.按遞增方式輸入一系列的λ值Λ={λ1，…，λL}和α值Г={α1，…，αk}，并定義λL+1，使得

（ii）遞減k值

Step 3.遞減l

Step 4.對于所有的（λ，α）∈Λ×Г，返回解β^（λ，α）。

在上述算法中，對MCP估計，只需要將其中的gscad（zj，λ，α）換成gmcp（zj，λ，α）即可，而對于LASSO估計，不存在參數(shù)α，因此在上述算法中對于LASSO估計，不存在內(nèi)循環(huán)的問題，過程更簡潔。此外需要指出的是，在上述算法中設(shè)計正則化參數(shù)λ和α的選擇，本文利用交叉驗證的方法選擇正則化參數(shù)。

3 實證分析

3.1 數(shù)據(jù)來源及變量解釋

本文數(shù)據(jù)來自中國人民大學中國調(diào)查與數(shù)據(jù)中心主持之“中國綜合社會調(diào)查（CGSS）”（2015）項目的公開數(shù)據(jù)的問卷調(diào)查結(jié)果，中國綜合社會調(diào)查為多階分層抽樣的截面面訪調(diào)查。數(shù)據(jù)具體包括個體的幸福感、性別、年齡、健康狀況、受教育程度、就業(yè)狀態(tài)、婚姻狀況、戶口、家庭社會經(jīng)濟地位等[12]。由于有些問卷數(shù)據(jù)無意義，所以處理后的有效數(shù)據(jù)是6 645行數(shù)據(jù)。數(shù)據(jù)的獲取平臺是阿里云天池平臺。

選取的預測變量總共有以上29項，分為五項指標。其中性別、所在省市、樣本類型、出生日期、民族屬于個人基本情況，宗教信仰、教育程度、用在社交上的空閑時間、用在放松休息上的空閑時間、用在學習上的休息時間屬于文化生活，個人年收入、住房面積、家庭年總收入、家庭人口、家庭經(jīng)濟狀況檔次、房產(chǎn)數(shù)量、汽車數(shù)量屬于經(jīng)濟生活，身高、體重、健康狀況、心情沮喪的頻繁程度屬于健康狀況，對當今社會是否公平的評價、個人社會地位評價、工作經(jīng)歷及狀況、婚姻狀況、與同齡人相比的社會經(jīng)濟地位、與三年前經(jīng)濟社會地位相比發(fā)生的變化、對一些重要事情所持的觀點和看法與社會大眾一致次數(shù)屬于人際關(guān)系指標。其中心情沮喪的頻繁程度從1到5取值，取值越大感到沮喪次數(shù)越少。

為討論問題的方便，響應變量為幸福感指數(shù)（happiness）將此劃為兩個類別，沮喪程度為4和5時劃分為幸福，1-3時為不幸福?！安恍腋！焙汀靶腋！?，分別賦予對應的數(shù)值0、1。數(shù)據(jù)概況以及部分數(shù)據(jù)指標如表1和表2所示。

表1 數(shù)據(jù)集概況

表2 數(shù)據(jù)集部分指標賦值

3.2 變量選擇和參數(shù)估計

為了建立模型和比較模型的預測效果，本文將數(shù)據(jù)集切分為訓練集和測試集兩部分，訓練集數(shù)據(jù)和測試集數(shù)據(jù)各占一半。從原始數(shù)據(jù)集隨機抽取50%的數(shù)據(jù)作為訓練集，剩下的50%作為測試集，利用訓練集數(shù)據(jù)建立模型，將測試集的數(shù)據(jù)代入建立好的模型中進行預測，用于對模型預測準確性的外推檢驗。

利用全變量Logistic模型、LASSO-Logistic模型、SCAD-Logistic模型、MCP-Logistic模型對上述數(shù)據(jù)進行實證分析，用訓練集數(shù)據(jù)建立模型，變量選擇結(jié)果見表3。

根據(jù)表3的結(jié)果，從稀疏性角度看，Logistic全變量模型沒有剔除任何變量，結(jié)果顯示，對于全變量Logistic回歸模型，變量survey_type、gender、nationality、religion、income、floor_area、height_cm、socialize、learn、work_exper、family_income、car、marital的系數(shù)不顯著，反映出該模型包含了過多的解釋變量，使得模型復雜；LASSO-Logistic模型剔除了16個變量，選擇出13個變量；SCAD-Logistic模型剔除了15個變量，選擇出的變量一共為14個；MCP-Logistic模型剔除了16個變量，選擇出13個重要變量，相比全變量Logistic模型，Scad-logistic，LASSO-Logistic和MCP-Logistic模型變量的選擇更為簡潔，模型稀疏性好。

從解釋性角度看，LASSO-Logistic模型、SCAD-Logistic模型、MCP-Logistic模型在剔除的變量中，其中有15個共同的變量，說明本次研究這15個變量對這三個模型來說均為不重要變量；三個模型保留了12個共同的變量，進一步說明了這12個指標的重要性。事實上，宗教信仰、社會的公平性、身體健康狀況、社會地位、家庭地位、與同年齡人的社會經(jīng)濟地位都會對人們幸福感造成影響。宗教信仰為人們提供價值體系的支柱，對人們進行心理調(diào)節(jié)，在很大程度上，影響人們的幸福感。“家”是人內(nèi)心深處的根，家庭和諧是社會和諧的基礎(chǔ)與前提，家庭生活滿意度是個人幸福、家庭幸福乃至社會幸福的堅實基石。公平、公正、公開的社會管理制度能夠最大限度的促進個體自我價值的實現(xiàn)，也會影響人們的幸福感。

表3 變量選擇和參數(shù)估計

表3 變量選擇和參數(shù)估計（續(xù)）

3.3 模型準確率比較

根據(jù)訓練集已經(jīng)建立好的模型，利用測試集數(shù)據(jù)分別測試全變量Logistic模型、LASSO-Logistic模型、SCAD-Logistic模型以及MCP-Logistic模型的預測準確率，一般使用混淆矩陣來表示二分類問題預測結(jié)果可能出現(xiàn)的四種情況，準確率為預測正確的樣本占總樣本的比重，表示模型整體的預測效果，準確率越高表示模型的預測效果越好，表4給出了四個模型的準確率，公式如下:

其中TP指的是樣本中原本是幸福，模型預測出幸福的個數(shù)，TN是樣本中原本是不幸福，模型預測數(shù)不幸福的個數(shù)，F(xiàn)P是樣本數(shù)據(jù)中是不幸福，模型預測出來是幸福的個數(shù)，F(xiàn)N是樣本數(shù)據(jù)中原本是幸福的，模型預測出來是不幸福的個數(shù)。TP+FP+TN+FN為樣本總數(shù)。

根據(jù)表4可見，從模型預測準確率上來比較LASSO-Logistic模型、SCAD-Logistic模型和MCPLogistic模型的準確率要優(yōu)于全變量Logistic模型，準確率高出5.56%，由于全變量模型保留

表4 模型預測準確率比較

了所有變量，模型相對復雜，難以剔除一些不重要變量，有一定的過擬合現(xiàn)象，使得模型的準確率低。MCP-Logistic模型的準確率最高為82.15%，優(yōu)于SCAD-Logistic模型和LASSO-Logistic模型。MCPlogistic模型變量選擇更加稀疏，模型的可解釋性好、準確率高。因此，從結(jié)果的稀疏性、可解釋性、準確性三個方面綜合分析，本研究認為正則化的Logistic模型更好，特別是MCP-Logistic模型更具優(yōu)勢。

4 結(jié)論

本文結(jié)合LASSO、SCAD、MCP等罰方法和Logistic回歸，構(gòu)建了正則化Logistic模型，并利用該模型對幸福感指數(shù)數(shù)據(jù)進行實證分析。結(jié)果表明，LASSO、SCAD、MCP方法選擇了更加稀疏的模型，并且選擇出12個共同的重要變量；其次在預測方面，這三種稀疏正則化模型具有更高的準確度，準確率相對于全模型高出近6%。