别再迷信“每个变量10个事件”：预测模型防翻车指南

如果你在医院、药企或互联网健康团队里做过风险预测模型（比如预测手术并发症几率、糖尿病发病风险），你多半听过这样一句流传甚广的“江湖祖传秘方”：

“每个预测变量只要有 10 个结局事件就够了（Events Per Variable, EPV ≥ 10）。”¹

按照这个口诀，不少研究者打起了精明的小算盘： “我手头攒了 80 个心梗复发病例，80 除以 10 等于 8。太棒了！我可以在模型里塞进 8 个指标：年龄、血压、胆固醇、血糖、吸烟史、心率、睡眠时间和体重指数！”

模型训练完毕，跑一跑内部交叉验证，ROC 曲线下面积（AUC）高达 0.88，大家举杯庆祝。可是一旦拿到隔壁医院或者真实世界的新病人身上一测，AUC 当场雪崩到 0.58，表现宛如抛硬币！

这种在自己电脑上“神机妙算”、一出门就“原形毕露”的惨案，究竟是怎么发生的？那个被奉为金科玉律的“EPV ≥ 10”，到底把多少研究者带进了沟里？

做题家困境：模型什么时候会开始“死记硬背”？

要把这个问题讲透，我们需要先理解算法模型到底是在“学规律”还是在“背答案”。

想象一个正在备考的学生。如果老师给了他 10,000 道不同的经典练习题，并告诉他解题的核心考点只有 3 个公式，这个学生大概率能真正掌握公式背后的逻辑，高考时遇到新题也能应付自如。

但如果老师总共只给了他 50 道练习题，却洋洋洒洒列了 20 个花里胡哨的解题窍门，会发生什么？ 这个学生根本不会去理解本质规律，而是开始死记硬背题目的细枝末节——“只要题干里有‘小明’两个字，答案肯定选 C”；“只要图形左边有个圆圈，第三步就套这个窍门”。

把这个场景搬到预测模型上，就是经典的过拟合（Overfitting）：

• 如果你的真实阳性样本量太少，而给模型喂进去的候选特征太多、模型太灵活，模型就会误把手头这批病人的“噪声细节”当成了普遍真理；
• 比如，模型可能会“发现”：“只要年龄大于 62 岁且刚好周二来就诊的病人，复发率极高！”
• 在你自己的数据里，这个规律严丝合缝；但在真实世界的新病人眼里，这纯属胡说八道。

这种内部表现与真实表现之间的虚假鸿沟，在统计学里叫做乐观度偏差（Optimism）。

祖传秘方错在哪？三大致命漏洞

为什么简单的“每个变量 10 个事件”治不好这个做题家呢？因为这条经验法则存在三个致命的逻辑硬伤：

1. 它完全不关心你的特征到底“硬不硬”

如果你的候选特征里包含一个决定性的关键基因突变，它本身就能解释大部分疾病风险，模型学起来很省心； 但如果你的特征全都是弱相关的蛛丝马迹（比如日常饮食偏好、轻微的情绪波动），模型为了把微弱的信号拼凑起来，就需要极其庞大的样本量才能抵消随机噪点的干扰。无视特征信号的强度而死守一个数字 10，无异于刻舟求剑。

2. 它彻底忽视了疾病的“稀缺程度”

凑齐 100 个事件，在发生率 50% 的高危人群里只需要找 200 个人；但在发生率只有 2% 的普通体检人群里，需要筛查整整 5,000 个人！ 在后一种情况下，虽然阳性病例都是 100 个，但 5,000 个正常人提供的人群基线信息和阴性参考，与 200 人根本不可同日而语。EPV 却把两者粗暴地等同起来。

3. “变量数”不等于“自由度”

很多人以为一个“受教育程度（小学/初中/高中/大学）”算 1 个变量。但在回归模型里，4 个分类需要转成 3 个哑变量（Dummy variables），实际上消耗了 3 个待估参数的自由度！ 如果你再随手加两个非线性样条（Spline）或者变量间的交叉项，实际消耗的参数自由度会瞬间翻倍。名义上你以为 EPV 达标了，背地里早就超载透支了。

现代解法：Riley 教授的三道防线

为了终结 EPV 带来的行业乱象，英国基尔大学的统计学教授 Richard Riley 及其团队在国际顶级医学期刊 BMJ 等刊物上正式提出了现代预测模型开发样本量三维准则。

资料陈述：Riley et al. (2018, 2020) 明确指出，预测模型开发不能靠拍脑袋，而必须在建模前根据预期表现和临床容忍度，逐一核算三道安全底线。²³

这三道底线用大白话翻译过来就是：

\(S \ge 0.90\)）">第一道防线：参数必须“打折防吹牛”（收缩系数 \(S \ge 0.90\)）

因为小样本拟合出来的系数总是倾向于被乐观度吹得偏高，所以统计学上有个保护机制叫收缩（Shrinkage）——人为给系数打个折，往回压一压。 Riley 准则的第一条死命令就是：你的样本量必须足够大，使得模型系数被高估的幅度绝对不能超过 10%（即打折系数 \(S \ge 0.90\)）！ 如果手头特征解释力较弱，为了保住这 90% 的真金白银，所需的事件数往往要飙升到每个变量 20 甚至 30 个事件以上。

第二道防线：开发集与外部世界的差距必须微乎其微

要求在自己的开发数据上测出来的拟合优度，与拿到全天下真实人群里预期的真实表现，两者差异必须被牢牢锁死在容许误差内（通常要求偏差小于 0.05）。不给模型在自己家里“自我感觉过于良好”的机会。

第三道防线：人群大盘的底色绝对不能估偏（基线精度）

如果某种并发症的真实发病率是 5%，你的模型因为样本量不足，把这个大盘底色（截距）估成了 8%，那么后面所有个体的个性化风险打分都会全盘皆输。第三道防线用置信区间的严格宽度，锁死总体发病率的测量精度。

最终法则：分别按照这三道防线算一遍，谁算出来的样本量最大，就听谁的！

实操避坑：用 R 算一遍有多简单？

在 R 语言里，Riley 团队把这套三维准则直接做成了一个小巧的包：pmsampsize。

假设你要开发一个术后感染预测模型：

• 打算纳入 24 个待估参数自由度（含分类哑变量）；
• 既往文献表明该领域的同类模型 AUC 大概在 0.80 左右；
• 人群中术后感染率约为 17.4%。

用代码算一算：

library(pmsampsize)

res <- pmsampsize(
  type = "b",            # binary 二分类结局
  cstatistic = 0.80,     # 预期 C 统计量 (AUC)
  parameters = 24,       # 候选变量消耗的参数自由度
  prevalence = 0.174     # 结局发生率
)

print(res)

算出来的真相：

• 第一道防线（收缩 \(\ge 0.90\)）要求：至少需要约 1200 例样本，且必须有 209 个感染事件！
• 相比之下，如果你照搬老旧的“EPV = 10”，你可能会误以为只需要 \(24 \times 10 = 240\) 例样本甚至只要 100 个事件就够了，直接将模型推入过拟合的深渊。

💡 小贴士：网上有些二手教程提到 pmsampsize 里有 corr（相关系数）或者 ORperSD 参数，千万别用！我们在对源码的审计中确认，这些都是早就废弃被拔除的旧接口，现在官方推荐且唯一稳定的入参方式，就是提供预期的 cstatistic（AUC）或 csrsquared（决定系数）。

总结：给建模者的三条铁律

1. 别贪多，少即是多： 在样本量有限的情况下，少塞几个花哨的干扰特征，选两三个生物学机制过硬的强特征，模型的实战抗风险能力会比一锅端强百倍；
2. 在立项时就算账，别等拒稿了才哭： 现在高分医学期刊（如 The Lancet、BMJ 系列）在审阅预测模型论文时，普遍依据 TRIPOD 声明严格核查样本量计算依据。提前用 Riley 准则定好预算，是论文能立得住的底气；
3. 把祖传口诀留在历史里： 科学在进步，统计学在迭代。下一次再听到有人把“每个变量只要 10 个事件”挂在嘴边，不妨把这份防翻车指南递给他。

相关知识

• 查看预测模型开发样本量准则的数学原理与文献依据：参见 预测模型开发样本量。
• 理解第三道防线中置信区间宽度的精度控制逻辑：参见 精度导向样本量。
• 当预测模型应用于多中心整群试验时：参见 整群随机试验样本量。

参考文献

局限与说明

1. 开发与验证大不相同：本文的 Riley 准则是针对“开发新模型”；如果是拿别人已经开发好的成熟模型去你自己的医院“做外部验证”，样本量规则不同，通常要求至少 100 到 200 个事件以保证校准曲线可靠。
2. 复杂黑盒算法：该准则主要针对广义线性回归（Logistic / Cox 等）；如果是极度深层的神经网络或随机森林，所需样本规模通常还要根据经验学习曲线作进一步放大。