机器学习随机森林对传统线性回归推断的影响.docxVIP

机器学习随机森林对传统线性回归推断的影响

引言

在统计学与机器学习交叉发展的今天，数据建模方法的选择深刻影响着研究结论的可靠性与应用价值。传统线性回归作为统计学的“基石”方法，自诞生以来广泛应用于社会科学、生物医学、经济学等领域，其基于线性假设的参数推断框架为研究者提供了清晰的因果解释路径（Wooldridge，2009）。然而，随着大数据时代的来临，数据维度的爆炸式增长与变量间复杂非线性关系的涌现，线性回归的局限性逐渐显现——其对线性假设的严格依赖、对交互效应的弱捕捉能力，以及面对高维数据时的过拟合风险，使得部分研究场景下的推断结果偏离真实规律（Jamesetal.，2013）。

在此背