基于正则化回归、扩展窗口滚动验证与工程化特征消融的球队表现双目标建模：面向小样本数字公共卫生分析的方法学启示

《Frontiers in Public Health》：Dual-target modeling of team performance using regularized regression with expanding-window rolling validation and engineered feature ablation: methodological insights for small-sample digital public health analytics

　　

从小样本时间序列数据中准确估计健康结局仍然是数字公共卫生领域的一项持续挑战，尤其是在数据有限且定制化分析框架稀缺的情况下。本研究通过提出一种系统化的机器学习流程来填补这一空白，该流程虽然在女子国家篮球协会（WNBA）球队表现数据上进行了演示，但可能为小样本公共卫生估计任务提供有用的方法学参考。研究人员收集了20个WNBA赛季（2006–2025年）的球队层面统计数据，并构建了九个工程化指标，以捕捉单节得分动态、位置协同和防守效率。两个目标变量分别建模：场均得分（Points Per Game, PPG）作为过程指标，胜率（Win Percentage, WIN%）作为结局指标。在尊重时间顺序的扩展窗口滚动验证框架下，评估了八种回归算法。结果表明，正则化线性模型在两个目标上均一致优于集成树方法和核方法：套索回归（Lasso Regression）对PPG实现了R² = 0.9443，而弹性网络回归（ElasticNet Regression）对WIN%实现了R² = 0.9287。消融实验显示，九个工程化特征中仅有三个对PPG建模有正向贡献；值得注意的是，优化后的12特征子集优于完整的18特征集（R² = 0.9497 vs. 0.9443），表明特征选择与特征创建同等重要。对于WIN%，Set B中的高级指标已捕获大部分方差，工程化特征仅提供极小的边际增益（ΔR² < 0.001），证实净效率（net rating）在很大程度上决定了胜率。在体育分析之外，所提出的扩展窗口验证框架和系统化特征消融方法可为面临类似小样本约束的数字公共卫生研究提供严格的模板，例如传染病监测、社区健康干预评估和人群行为建模，其中时间完整性和特征简约性至关重要。该框架的方法学可转移性进一步通过一项使用跨国面板数据进行五岁以下儿童死亡率（under-five mortality rate, U5MR）估计的外部实验得到验证，其中梯度提升（Gradient Boosting）通过渐进式特征工程达到了R² = 0.922。

基于正则化回归与扩展窗口验证的团队表现双目标建模：小样本数字公共卫生分析的方法学探索

## 一、研究背景与目的

数字公共卫生领域的核心挑战之一是从小样本时间序列数据中准确估计健康结局，尤其在数据有限且定制化分析框架稀缺的情况下。传统方法常因随机交叉验证破坏时间顺序而导致信息泄漏，复杂模型在小样本上容易过拟合，且缺乏针对特定场景的系统特征工程。本研究以女子国家篮球协会（WNBA）球队表现数据为示例，提出一套系统化机器学习流程，旨在为面临类似小样本约束的公共卫生研究提供可转移的方法学模板。论文发表于《Frontiers in Public Health》。

研究人员收集了2006–2025年共20个赛季、约242个球队-赛季观测的球队层面统计数据，构建了三个层次的特征集：Set A包含6项基础数据（FG%、3P%、AST、Opp_FG%、Opp_3P%、TRB）；Set B增加NRtg、Pace、TS%三项高级指标；Set C进一步加入9个工程化指标（Q3_SURGE、Q4_SHARE、Q_VOL、C_REB_RATE、POS_BAL、G_3P_REL、REB_NET、AST_TO、OPP_FG_SUPP）。两个目标变量为过程指标PPG和结局指标WIN%。在尊重时间顺序的扩展窗口滚动验证框架下，评估了八种回归算法，并通过留一消融实验量化每个工程化特征的边际贡献。

## 二、研究方法概述

研究数据来源于Basketball Reference网站（WNBA 2006–2025赛季，242个球队-赛季观测）。主要技术方法包括：z-score标准化；构建三个层次特征集（Set A/B/C）；八种回归算法（LR、Ridge、Lasso、ElasticNet、RF、GB、XGBoost、SVR）；扩展窗口滚动验证（训练窗口从2006–2010起逐步扩展至2006–2024，评价2011–2025共15个测试赛季）；留一消融实验；系数稳定性检验；降规格实验；团队敏感性分析；以及使用跨国五岁以下儿童死亡率（U5MR）面板数据（15国，1990–2020）进行外部转移性验证。

## 三、研究结果

### 3.1 特征集比较
通过对比三个特征集下最优模型的表现发现：从Set A到Set B，PPG模型R²从0.7254提升至0.9286，WIN%模型从0.6832提升至0.9293，增幅显著；从Set B到Set C，PPG进一步小幅提升至0.9443，而WIN%几乎无变化（R²=0.9287），说明NRtg等高级指标已捕获胜率绝大部分方差。

### 3.2 PPG建模结果
#### 3.2.1 模型比较
八模型对比显示Lasso表现最优（R²=0.9443，RMSE=1.179），四种正则化线性模型（R²>0.942）显著优于集成树模型（RF 0.796、GB 0.859、XGB 0.849）和SVR（0.784）。配对t检验显示Lasso显著优于所有非线性模型（p<0.001）。
#### 3.2.2 Lasso系数与解释
Lasso保留15个非零系数，TS%、TRB、NRtg、Pace为最强正向预测因子；AST负系数与REB_NET负系数反映条件关联而非因果效应；AST_TO虽在Lasso中为正系数，但消融实验显示其冗余，凸显消融分析对自动特征选择的补充价值。
#### 3.2.3 PPG消融实验
留一消融显示，9个工程化特征中仅REB_NET（ΔR²=+0.0076）、Q_VOL（+0.0013）、C_REB_RATE（+0.0005）有正向贡献；剔除6个冗余特征后得到的12特征子集（Set C′）将R²提升至0.9497，验证“特征选择与特征创建同等重要”。
#### 3.2.4 跨折叠系数稳定性
核心特征（TS%、TRB、Pace、NRtg、Opp_FG%、AST_TO、REB_NET）在15个折叠中100%符号一致；Q3_SURGE和Q4_SHARE符号一致性较低（66.7%和40%），提示其系数方向受训练组成影响。
#### 3.2.5 降规格实验
移除定义性变量后，PPG模型R²降至0.790，WIN%模型（移除NRtg）降至0.691；但完整框架仍解释69%–79%的方差，表明方法具有稳健的解释力。

### 3.3 WIN%建模结果
#### 3.3.1 模型比较
ElasticNet最优（R²=0.9287，RMSE=0.047），与Lasso差异无统计显著性（p=0.746）；SVR表现极差（R²=0.612）。
#### 3.3.2 ElasticNet系数与解释
ElasticNet仅保留6个非零系数，NRtg系数（0.146）是次大特征（OPP_FG_SUPP 0.011）的13倍，确认净效率是胜率的决定性因素。
#### 3.3.3 WIN%消融实验
消融实验中所有ΔR²绝对值均<0.001，OPP_FG_SUPP贡献最大（ΔR²=+0.0003），表明工程化特征对胜率建模的边际价值极小。

### 3.4 团队敏感性分析
留一队敏感性分析显示，PPG平均每队R²=0.792（14/18队>0.85），WIN%平均为0.857（所有≥10观测的队>0.72）；样本量过小的球队出现负R²，提示小样本亚组的估计不稳定性。

## 四、讨论与结论

讨论部分：扩展窗口验证框架确保时间完整性，系统化消融方法区分真正增益特征与冗余特征。外部U5MR验证实验显示，从Set A（R²=0.724）到Set C（R²=0.922）的渐进特征工程带来显著增益，且梯度提升（GB）以0.922超越所有线性模型（0.803），表明框架不预设模型类别，由数据驱动选择最优模型。消融显示BCG免疫覆盖（ΔR²=+0.029）和基础水获取（+0.032）贡献最大。滞后边界分析显示，使用t?1赛季特征估计t赛季目标时PPG R²降至?0.045、WIN%降至0.163，明确本框架属于同期估计而非前瞻预测。局限性包括样本量有限、特征多重共线性、团队内时间自相关及U5MR实验的生态学偏倚等。

研究结论：正则化线性回归在小样本约束下对WNBA球队表现实现了高精度估计。Lasso对PPG的R²最高（0.9443），ElasticNet对WIN%的R²最高（0.9287），但配对比较显示线性家族内部无显著差异，表明主要优势来自线性模型整体而非某一特定模型。扩展窗口验证框架确保了时间完整性。关键方法学贡献在于证明特征选择与特征创建同等重要，且特征价值依赖目标变量：PPG建模仅3/9工程化特征有正向贡献，12特征子集优于18特征全模型；WIN%建模中Set B已捕获大部分方差，净效率决定胜率。本研究为面临小样本时间结构数据的数字公共卫生研究提供了方法学模板，U5MR数据实证（R²=0.922）表明框架可适应不同数据生成过程。未来工作应扩展至比赛层面估计、跨联赛迁移学习、实时应用及基于滞后特征的前瞻预测。