欢迎来到非线性的世界！

到目前为止，在你的 Exam SRM 旅程中，你可能一直在接触最简单形式的线性模型 (Linear Models)：“当 \(X\) 上升，\(Y\) 就会以固定幅度上升”。虽然这是一个很好的起点，但现实世界（以及精算数据）很少如此直接。有时变量之间的关系是曲线的，有时一个变量的影响完全取决于另一个变量。

在本章中，我们将探索变量变换 (Variable Transformations)（改变变量的形状）和交互作用 (Interactions)（观察变量如何共同发挥作用）。这些工具让我们的线性模型能够捕捉更复杂的现实模式，同时又不失普通最小二乘法 (Ordinary Least Squares, OLS) 的数学魔力。

1. 变量变换 (Variable Transformations)

变换涉及对预测变量 \(X\)、响应变量 \(Y\) 或两者同时应用数学函数。当原始数据不符合直线关系时，我们就会这样做。

A. 对数变换 (Logarithmic Transformations)

对数变换（通常是自然对数 \( \ln \)）是精算师工具箱中最常用的工具之一。当数据高度偏斜 (skewed)，或者我们预期变化是以“百分比”而非绝对单位发生时，它特别有用。

  • 对数—线性模型 (Log-Linear Model)： \( \ln(Y) = \beta_0 + \beta_1 X + \epsilon \)。在这里，\(X\) 每变动 1 个单位，\(Y\) 就会相应变动 \( (e^{\beta_1} - 1) \times 100\% \)。
  • 双对数模型 (Log-Log Model)： \( \ln(Y) = \beta_0 + \beta_1 \ln(X) + \epsilon \)。在这里，\( \beta_1 \) 代表弹性 (elasticity)——\(X\) 每变动 1%，会导致 \(Y\) 变动 \( \beta_1 \)%。

小贴士：如果你看到散点图中的点像喇叭一样散开（异方差性 heteroscedasticity），对 \(Y\) 进行对数变换通常有助于“稳定”这种方差！

B. 多项式回归 (Polynomial Regression)

有时 \(X\) 和 \(Y\) 之间的关系是曲线的（例如 U 形或 S 形）。为了捕捉这一点，我们可以在模型中加入多项式项，如 \(X^2\) 或 \(X^3\)。

\( Y = \beta_0 + \beta_1 X + \beta_2 X^2 + \dots + \beta_p X^p + \epsilon \)

尽管与 \(X\) 的关系是曲线的，这仍然是一个线性模型。为什么？因为模型对“参数”(\(\beta\)) 而言是线性的。我们只是把 \(X^2\) 当作一个全新的、独立的变量来处理。

常见错误：别做得太过火！加入次数太高的多项式（例如 \(X^8\)）会导致过度拟合 (overfitting)，模型会去追踪数据中的“噪声”而非真正的潜在模式。

快速复习：变换
  • 对数变换处理乘法关系和偏斜数据。
  • 多项式处理曲线（二次方、三次方）。
  • 变换后务必观察你的残差图 (residual plots)，看看误差中的“模式”是否已经消失。

2. 交互项 (Interaction Terms)

在标准线性模型中，我们假设 \(X_1\) 对 \(Y\) 的影响是恒定的，无论 \(X_2\) 的值是多少。但如果事实并非如此呢？

例子： 想想运动 (\(X_1\)) 和饮食 (\(X_2\)) 对减重 (\(Y\) ) 的影响。如果一个人同时配合健康饮食，运动对减重的效果可能会更显著。这种“协同效应”就是一种交互作用。

A. 交互作用公式

我们通过将两个预测变量相乘来表示交互作用：

\( Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \beta_3 (X_1 \times X_2) + \epsilon \)

在这个模型中：

  • \( \beta_1 \) 和 \( \beta_2 \) 是主效应 (main effects)。
  • \( \beta_3 \) 是交互效应 (interaction effect)。

B. 解读变化

你可以重写方程式，看看 \(X_1\) 的“斜率”是如何变化的：

\( Y = \beta_0 + (\beta_1 + \beta_3 X_2) X_1 + \beta_2 X_2 + \epsilon \)

\(X_1\) 的“有效斜率”现在是 \( (\beta_1 + \beta_3 X_2) \)。这意味着 \(X_1\) 的影响取决于 \(X_2\) 的数值。

C. 与定性变量（虚拟变量）的交互作用

这是 SRM 考试中非常常见的主题。如果你有一个定量变量（例如：年龄）和一个虚拟变量（例如：性别，男 = 1），加入交互项可以让不同组别拥有不同的斜率。

  • 无交互作用： 平行线（截距不同，但斜率相同）。
  • 有交互作用： 非平行线（截距不同，且斜率也不同）。

你知道吗？ 在精算定价中，我们经常使用“地区”和“年龄”之间的交互作用，因为年轻司机在城市地区的风险可能比在郊区更高。

3. 等级原则 (The Hierarchical Principle)

这是 SRM 考试的一条“金科玉律”。等级原则指出，如果我们在模型中包含了一个交互项 (\(X_1 X_2\))，我们必须同时包含其对应的主效应 (\(X_1\) 和 \(X_2\))。

为什么？ 即使 \(X_1\) 或 \(X_2\) 的 p 值单独看起来不显著，如果没有它们，交互项就很难被合理解释。主效应提供了交互作用发生偏离的基准。

例子： 如果你的软件输出显示 \(X_1 X_2\) 的 p 值非常小（显著），但 \(X_1\) 的 p 值很大（不显著），请两者都保留在模型中！

4. 模型选择的考量

当你加入变换（如 \(X^2\)）或交互作用（如 \(X_1 X_2\)）时，你正在增加模型的复杂度。这会增加预测变量的数量 \(d\)。

回想一下你在模型选择（在另一章节讨论）中所学到的内容：增加变量总会降低训练数据上的残差平方和 (RSS)，但可能会损害模型在新数据上的表现。要决定变换或交互作用是否真的“值得”，我们会使用：

  • T 检验 (T-tests)： 查看新项的系数是否显著不为零。
  • F 检验 (F-tests)： 查看一组新项（如 \(X^2\) 和 \(X^3\)）是否整体提升了模型。
  • AIC/BIC： 对拥有过多参数的模型进行惩罚。（具体公式请参考模型选择标准章节）。
常见陷阱：解释说明

别忘了：当交互项存在时，你不能再简单地说“\(X_1\) 每增加 1 个单位会导致 \(Y\) 产生 \( \beta_1 \) 的变化”。你必须提到，该变化还取决于交互作用中另一个变量的水平！

重点回顾

1. 变换： 使用对数处理百分比或偏斜数据，使用多项式处理曲线。它们让线性模型能够拟合非线性的形状。

2. 交互作用： 当一个变量的影响随另一个变量而改变时使用。它们在回归方程中以乘积项的形式出现（例如 \(X_1 \times X_2\)）。

3. 等级原则： 如果有交互项，主效应就必须保留。没有例外！

4. 复杂度 vs 拟合度： 使用统计检验（T 检验、F 检验）和标准（AIC、BIC）来确保你的变换和交互作用是真的为模型增值，而不仅仅是在制造噪声。