地理加权组LASSO回归(GWGPL)在空间异质性建模中的创新应用

为解决多源地理调查数据中空间异质性建模与变量选择的难题，研究人员开发了地理加权组LASSO回归(GWGPL)方法。该方法通过组惩罚项实现跨区域变量协同选择，在保持系数平滑性的同时提升预测性能，应用于中国"千人百村"健康调查数据，成功识别住院/门诊费用关键影响因素，为空间流行病学研究提供新工具。

　　

当面对来自不同地理区域的多源调查数据时，传统分析方法往往难以兼顾空间异质性和模型效率。这项研究基于中国养老金与医疗保健社会调查数据，创新性地提出地理加权组LASSO回归(Geographically Weighted Group Lasso Regression, GWGPL)方法。该方法巧妙地将地理加权框架与组惩罚机制相结合，既能捕捉区域特异性参数变化，又能通过^l₂-^l₁混合范数约束实现跨区域变量协同选择。

理论分析严格证明了GWGPL的选择一致性和估计相合性。模拟实验显示，相较于传统地理加权回归(GWR)或全局LASSO，GWGPL在参数估计平滑性和预测精度方面具有显著优势。应用"千人百村"健康调查数据时，该方法成功识别出住院治疗费用的七大关键预测因子：年度住院次数、家庭支出、自我治疗行为、心理健康状态、医疗机构等级、保险使用情况和婚姻状况。

特别值得注意的是，GWGPL产生的系数曲面展现出优雅的空间连续性，而组惩罚机制则自动识别出具有跨区域一致性的核心变量子集。这种方法为处理具有空间依赖性的健康经济学数据提供了新范式，其框架可扩展至环境健康、疾病分布图等空间流行病学研究领域。