模拟预定义相关结构变量矩阵：如何生成与因变量独立的变量？

当然可以确保生成的变量和二分类因变量完全无关，核心是让无关变量的生成过程完全不依赖因变量的信息，下面是具体的实现思路和代码示例：

核心逻辑 #

要保证统计上的独立性，满足以下任一条件即可：

• 先生成所有无关变量，再生成因变量（因变量的生成完全不参考无关变量）
• 先生成因变量，再生成无关变量（无关变量的生成完全不使用因变量的任何数据）

两种方式都能确保变量间的独立性，同时还能满足你“无关变量之间可以相互关联”的需求。

具体实现（Python示例） #

1. 生成基础无关变量（独立于因变量） #

import numpy as np
import pandas as pd

# 设置样本量，可根据需求调整
n_samples = 1000

# 生成950个独立的二分类无关变量（可自定义每个变量的出现频率）
binary_noise = pd.DataFrame({
    f"binary_noise_{i}": np.random.binomial(n=1, p=np.random.uniform(0.2, 0.8), size=n_samples)
    for i in range(950)
})

# 生成50个独立的连续无关变量（可自定义分布参数）
continuous_noise = pd.DataFrame({
    f"cont_noise_{i}": np.random.normal(
        loc=np.random.uniform(-5, 5),  # 均值范围
        scale=np.random.uniform(1, 3), # 标准差范围
        size=n_samples
    )
    for i in range(50)
})

# 合并所有无关变量
noise_vars = pd.concat([binary_noise, continuous_noise], axis=1)

# 生成二分类因变量（完全独立于所有无关变量）
y = np.random.binomial(n=1, p=0.4, size=n_samples)  # p为结局的阳性概率，可自定义

# 合并成最终数据集
sim_data = pd.concat([noise_vars, pd.Series(y, name="outcome")], axis=1)

2. 让无关变量之间相互关联 #

如果需要部分无关变量存在关联（比如某些二分类变量共现），可以用多元分布生成，全程不引入因变量的信息即可：

# 生成3个存在关联的连续变量，再转换为二分类
mean = [0, 0, 0]
# 协方差矩阵：数值越大，变量间关联越强
cov_matrix = [[1, 0.6, 0.3], [0.6, 1, 0.4], [0.3, 0.4, 1]]
correlated_cont = np.random.multivariate_normal(mean, cov_matrix, size=n_samples)
# 转换为二分类变量（大于0为1，否则为0）
correlated_binary = (correlated_cont > 0).astype(int)
correlated_binary_df = pd.DataFrame(correlated_binary, columns=["corr_noise_1", "corr_noise_2", "corr_noise_3"])

# 将关联变量加入无关变量集合，依然与因变量独立
noise_vars = pd.concat([noise_vars, correlated_binary_df], axis=1)

3. 验证独立性 #

生成数据后，可以通过统计检验确认无关变量和因变量的独立性：

• 二分类无关变量：使用卡方检验（scipy.stats.chi2_contingency），若p值远大于0.05，则说明无关联；
• 连续无关变量：使用独立样本t检验（比较因变量两组的均值）或皮尔逊相关系数，若相关系数接近0且p值大于0.05，则说明无关联。

关联变量的生成 #

你提到的10个与因变量相关的二分类变量，可以在生成因变量时引入这些变量的影响，比如用逻辑回归模型生成因变量：

# 生成10个关联二分类变量
related_vars = pd.DataFrame({
    f"related_var_{i}": np.random.binomial(n=1, p=0.3, size=n_samples)
    for i in range(10)
})

# 定义每个关联变量的回归系数（即你说的“相关程度”）
coefficients = np.array([0.8, 0.6, -0.5, 0.7, -0.4, 0.9, -0.6, 0.5, -0.3, 0.4])
# 计算线性预测值
linear_pred = np.dot(related_vars, coefficients) + np.log(0.4/0.6)  # 截距对应基线概率0.4
# 转换为概率
prob = 1 / (1 + np.exp(-linear_pred))
# 生成因变量
y_related = np.random.binomial(n=1, p=prob, size=n_samples)

# 合并所有数据（无关变量+关联变量+因变量）
final_data = pd.concat([noise_vars, related_vars, pd.Series(y_related, name="outcome")], axis=1)

内容的提问来源于stack exchange，提问作者dean