R语言模拟保留自定义相关结构的离散数据方法

你当前使用的「多元正态连续数据阈值切分转二元数据」的方法，虽然能保留一定的相关结构，但存在两个明显问题：一是随机生成的协方差矩阵无法精准匹配你设定的自定义关联规则，二是连续变量经阈值切分后，相关系数会出现压缩，无法精确控制特定变量组合下result列的取值概率。

针对你需要自定义关联规则的需求，逐列生成+按条件概率赋值结果列的方法可控性最强，能100%匹配你设定的规则，实现代码和步骤如下：

具体实现步骤 #

1. 生成预测变量p1-p10 #

你可以根据自身需求选择预测变量的生成逻辑：

• 如果不需要p1-p10之间存在特定相关，直接用二项分布独立生成即可
• 如果需要控制p1-p10之间的二元相关结构，可以借助bindata包生成带指定相关矩阵的二元数据

2. 按自定义规则生成result列 #

先给所有样本设置一个result=1的基础概率，再针对你定义的特殊变量组合，单独调整对应样本的result=1概率，最后按概率逐行生成0/1值即可。

可直接运行的示例代码 #

# 若需控制预测变量间的二元相关，可安装bindata包
# install.packages("bindata")
library(bindata)

set.seed(123) # 设置随机种子保证结果可复现
n <- 1000 # 自定义样本量

# ------------
# 第一步：生成p1-p10的二元数据
# ------------
# 方案A：p1-p10独立生成，每个变量取1的边际概率设为0.6，可自行调整
p_mat <- matrix(rbinom(n*10, 1, prob = 0.6), ncol = 10)

# 方案B：如果需要给p1-p10设置基础相关，替换成下面的代码即可
# 下面示例设置p1-p10两两相关系数为0.1，边际取1概率为0.6
# cor_mat <- matrix(0.1, nrow = 10, ncol = 10)
# diag(cor_mat) <- 1
# p_mat <- rmvbin(n, margprob = rep(0.6, 10), bincorr = cor_mat)

colnames(p_mat) <- paste0("p", 1:10)
my_data <- as.data.frame(p_mat)

# ------------
# 第二步：按自定义规则生成result列
# ------------
# 先设置所有样本result=1的基础概率为0.3
prob_result <- rep(0.3, n)

# 规则1：p1=p5=p9=1时，result=1的概率提升至0.9
rule1_idx <- with(my_data, p1 == 1 & p5 == 1 & p9 == 1)
prob_result[rule1_idx] <- 0.9

# 规则2：p3=p4=0且p9=1时，result=1的概率降至0.1（即result=0的概率为0.9）
rule2_idx <- with(my_data, p3 == 0 & p4 == 0 & p9 == 1)
# 若样本同时满足多个规则，可自行调整优先级，此处规则2优先级高于规则1
prob_result[rule2_idx] <- 0.1

# 可按照上述格式继续添加任意多的自定义关联规则

# 逐行按设定概率生成result的0/1值
my_data$result <- rbinom(n, 1, prob = prob_result)

效果验证方法 #

生成数据后，直接分组统计对应样本集的result取值占比，即可确认规则是否生效：

# 验证规则1：p1=p5=p9=1的样本中result=1的占比
prop.table(table(my_data[rule1_idx, "result"]))

# 验证规则2：p3=p4=0且p9=1的样本中result=0的占比
prop.table(table(my_data[rule2_idx, "result"]))

样本量足够大时，统计得到的比例会和你预设的概率高度吻合。

关于你原有方法的补充说明 #

如果你坚持使用连续数据切分的思路，需要做两处调整才能得到可控的结果：

• 不能随机生成协方差矩阵，需要根据你想要的二元变量四分相关，反推多元正态分布的协方差参数，计算过程比较繁琐
• 不能用统一阈值9做切分，需要根据每个变量取1的边际概率单独计算切分阈值，否则各变量取1的比例会完全失控
  这种方法仅适合需要严格控制所有变量两两相关系数的场景，针对你需要自定义特定组合关联规则的需求，前面的条件概率生成法实现更简单、结果更可控。

内容的提问来源于stack exchange，提问作者stats_noob