决策树算法：揭示残障人身体活动参与关键影响因素的新方法
-
-
残障人身体活动的促成和阻碍因素复杂且多维，如个体的障碍类型、障碍程度、年龄、性别以及社会人口学因素均会直接或间接地影响其身体活动参与，且多数关于残障人的研究基于小样本数据。因此，如何对以上变量进行最优分类并揭示影响其身体活动参与的敏感因素是亟待解决的重要问题。决策树算法作为机器学习中的一种树状预测模型，可以清晰地反映不同分类变量之间的映射关系。其中，CHAID决策树算法以卡方值等统计量为分支准则，具有不受解析变量之间的多重共线性影响以及分析结论清晰、直接等优势，可很好地处理非线性小样本数据，有效挖掘不同分类情况下残障人身体活动参与的关键性影响因素，并根据多种类型的变量对样本进行最优分割，从而解决上述问题。Samantha M. Ross采用CHAID探索性决策树算法分析了个人因素和社会环境因素对儿童（残障儿童和健全儿童）日常身体活动和体育运动参与的动态交互影响。研究发现，在儿童日常身体活动参与的预测因素中，残障因素列于儿童年龄、性别、体质量指数和收入之后的第5层叶节点，并非主要预测因素，但在儿童体育竞赛或学校体育课程参与中，残障因素列于第2层叶节点，为主要预测因素。这说明在个人因素中残障情况和社会人口学因素对儿童日常身体活动和体育参与存在动态交叉影响作用，相较于日常身体活动参与，残障情况对于儿童体育竞赛或学校体育课程参与方面的限制影响更大。
综上，决策树算法的使用为未来残障人身体活动研究提供了新的方法和视角，可充分利用该方法挖掘残障人身体活动的多维潜在影响因素，根据不同类型残障人的基本数据，如医疗诊断信息、人口统计学信息、家庭背景变量及宏观背景变量等，构建全面的、针对不同类型残障人的预测模型。
计量
- 文章访问数: 274
- HTML全文浏览量: 50
- PDF下载量: 40
下载: