本文接 预测模型变量筛选：方法篇

基因表达量高低分组的cox和连续变量cox回归计算的HR值差异太大? | 生信菜鸟团 (bio-info-trainee.com)

常见回归模型评估方法

平均绝对误差，Mean Absolute Error (MAE)：预测值与真实值之间平均相差多大；

均方误差，Mean Square Error (MSE)：是指参数估计值与参数真值之差平方的期望值。MSE是衡量平均误差的一种较方便的方法，MSE 可以评价数据的变化程度，MSE的值越小，说明预测模型描述数据具有更好的精确度。

R平方值，R-Squared (R²)：它是表示回归方程在多大程度上解释了因变量的变化，或者说方程对观测值的拟合程度如何。

其他

  RMSE：均方误差平方根；

  校正R²：对原始R²的改进：

  Cp：马洛斯CP值：

  AIC（赤池信息准则）和BIC (贝叶斯信息准则)

回归与判定标准

逐步回归，模型判定：AIC，值越小模型越优； 

全子集回归，模型判定，调整R²，值越大模型越优，BIC和CP值越小越好；

Lasso回归+交叉验证：模型判定，MSE，具体见下文。

目录

单因素Cox初筛变量

最优子集回归初筛变量

Lasso回归+交叉验证初筛变量

三种方法筛选的变量纳入多因素Cox进行最终筛选

用三种方法最终选出的变量构建模型并进行比较

最佳的模型将用于构建预测模型Nomogram

本文筛选变量和建模思路

1.  三种方法筛选变量；

   1-1. 单因素Cox以P