R语言使用surveyCV包对NHANES数据（复杂调查加权数据）进行10折交叉验证

美国国家健康与营养调查（ NHANES, National Health and Nutrition Examination Survey）是一项基于人群的横断面调查，旨在收集有关美国家庭人口健康和营养的信息。
地址为：https://wwwn.cdc.gov/nchs/nhanes/Default.aspx

既往咱们通过多篇文章对复杂加权数据的线性模型、逻辑回归模型、生存分析模型进行了分析。我们在建立数据模型后通常希望在外部数据验证模型的检验能力。然而当没有外部数据可以验证的时候，交叉验证也不失为一种方法。交叉验验证（交叉验证，ＣＶ）则是一种评估模型泛化能力的方法，广泛应用中于数证据采挖掘和机器学习领域，在交叉验证通常将数据集分为两部分，一部分为训练集，用于建立预测模型；另一部分为测试集，用于测试该模型的泛化能力。
咱们既往文章《基于R语言进行K折交叉验证》介绍了普通数据交叉验证，今天咱们来介绍一下使用surveyCV包进行复杂加权数据交叉验证，
该包通过在创建 CV 折叠以及计算测试集损失估计时考虑分层、聚类、FPC 的调查权重MSE（均方误差），对复杂的调查数据实现交叉验证 (CV)。模型，或逻辑模型的二元交叉熵）。
咱们先导入R包和数据

library(surveyCV)
library(survey)
library(ISLR)
data("api")

这次使用survey自带的加州学生的数据，包含有学生的成绩和其他数据。这个数据集带有6个数据，咱们使用的是apistrat数据
假设咱们想了解api00和ell线性关系，nfolds代表你想用多少折，其他都是一些调查函数的参数。
咱们先写出它的函数，这是一个默认线性函数

a<-"api00~ell"
cv.svy(apistrat, a,nfolds = 10， strataID = "stype", weightsID = "pw", fpcID = "fpc")

这样结果就出来了，这里的mean相当于MSE的平均值，表示误差的平均值，它可以有助于改善我们的模型，它和单用svymean函数这种算法是完全不一样的
如果咱们想了解多个模型

cv.svy(apistrat, c("api00~ell","api00~ell+meals","api00~ell+meals+mobility"),nfolds = 10, strataID = "stype", weightsID = "pw", fpcID = "fpc") 

这样就轻松出结果了，非常方便好用。我们可以看到添加协变量以后，MSE出现明显变化，变小了，表明添加协变量有助于改善MSE。
如果我们想指定集群而不是分层，更改一下clusterID这个变量，也非常方便

cv.svy(apiclus1, c("api00~ell","api00~ell+meals","api00~ell+meals+mobility"),nfolds = 10, clusterID = "dnum", weightsID = "pw", fpcID = "fpc")

如果咱们是有调查函数的，咱们需要用到cv.svydesign这个函数，指定一下就可以了

dstrat <- svydesign(id = ~1, strata = ~stype, weights = ~pw, data = apistrat, fpc = ~fpc)
cv.svydesign(formulae = c("api00~ell","api00~ell+meals","api00~ell+meals+mobility"),design_object = dstrat, nfolds = 10)

如果是已经生成了svyglm模型的，咱们需要使用cv.svyglm这个函数指定

glmstrat <- svyglm(api00 ~ ell+meals+mobility, design = dstrat)
cv.svyglm(glmstrat, nfolds = 10)

如果咱们是逻辑回归而不是线性回归，先生成一个调查函数

library(splines)
NSFG.svydes <- svydesign(id = ~SECU, strata = ~strata, nest = TRUE,weights = ~wgt, data = NSFG_data)

生成结果

NSFG.svyglm.logistic <- svyglm(LBW ~ ns(age, df = 3), design = NSFG.svydes,family = quasibinomial())
cv.svyglm(glm_object = NSFG.svyglm.logistic, nfolds = 4)

在这种情况下，平均列显示二进制交叉熵损失的平均值。