3、变量评估的两种基本数据挖掘方法及CHAID数据挖掘

变量评估的两种基本数据挖掘方法及CHAID数据挖掘

1. 引言

在模型构建过程中，评估预测变量与因变量之间的关系至关重要。若能识别并处理这种关系，预测变量可重新表达以反映该关系，并被测试是否纳入模型。多数变量评估方法基于相关系数，但常被误用，其线性假设也常未经检验，导致系数的有效性未知。本文介绍两种基本数据挖掘方法：平滑散点图和通用关联非参数检验，前者用于检验线性假设，确保相关系数的正确使用；后者用于评估平滑散点图所指示的关系。

2. 相关系数

相关系数用 r 表示，衡量两个变量间直线或线性关系的强度，取值范围在 +1 到 -1 之间。以下是解释相关系数的常用准则：
| 相关系数值范围 | 关系说明 |
| — | — |
| 0 | 无线性关系 |
| +1 | 完全正线性关系：一个变量值增加，另一个变量值按精确线性规则增加 |
| -1 | 完全负线性关系：一个变量值增加，另一个变量值按精确线性规则减少 |
| 0 到 0.3（0 到 -0.3） | 弱正（负）线性关系，线性规则不稳定 |
| 0.3 到 0.7（0.3 到 -0.7） | 中等正（负）线性关系，线性规则模糊但确定 |
| 0.7 到 1.0（-0.7 到 -1.0） | 强正（负）线性关系，线性规则确定 |
| r 的平方 | 通常表示一个变量的变异被另一个变量解释的百分比，或两个变量共享的变异百分比 |

相关系数要求两个变量间的潜在关系为线性。若关系已知为线性或观察到的模式呈线性，相关系数能可靠衡量线性关系强度；若关系已知为非线性或观察到的模式非线性，相关系数则无用或至少值得怀疑。