【CCA（典型相关分析）】第八章 实际案例研究

第八章　实际案例研究

本章要点

• 一条贯穿主线：四个案例共享同一套"问题—设计—实现—解读—建议"管线
• 四种方法组合：经典 CCA、稀疏 CCA、正则化 CCA、经典 vs 稀疏对比
• 四组领域数据：消费行为、基因组-表型、金融风控、教育评估
• 一个共同结论口径：显著性、载荷命名、冗余解释、管理建议四件套
• 一组跨案例教训：案例差异在数据形态，方法纪律不分行业

前七章的方法论像一套工具，本章在四个真实行业场景里做总装演练。四个案例刻意覆盖三种典型数据形态：低维干净（消费者、教育）、超高维稀疏（基因组）、含离群与缺失（金融）——方法选型的差异完全由数据形态驱动。案例结构与选型逻辑如图 8-1 所示。

图 8-1　案例研究的总体结构（图注：本图给出本章四案例的顶层分解，蓝色结构节点分两列——案例列与方法列。请重点看三个关键节点：四个案例按数据形态而非行业排序，低维到高维递进；每个案例标注主用方法，方法都是前七章出现过的"标准件"而非新工具；方法列的差异提醒读者：换数据形态不换方法纪律，第八章的教训全部来自"纪律在，工具变"。）

8.1　案例一：消费者行为与品牌态度关联分析

8.1.1　研究背景与变量设计

某连锁零售企业想回答一个问题：消费者对品牌的态度结构，与他们的实际购买行为之间隔着几重关系？理论模型（态度—行为双路径）提示态度可粗分为认知型（产品评价、质量感知）与情感型（品牌喜爱、信任），行为侧采集高频客单行为（月度购买频次、客单价、品类跨度、复购时长）。按第三章的分组纪律：理论驱动分组——X 组放态度量表 4 个维度分（认知与情感各 2），Y 组放行为 4 个指标，两侧对称（$p=q=4$），$n=320$ 满足 $n\ge 10\times 8=80$ 的样本量要求两倍以上。数据来自顾客问卷与会员卡交易记录的纵向匹配。

8.1.2　数据收集与预处理

预处理按 3.3—3.5 节的标准工序执行：态度量表做缺失审计（缺失率 2.1%，MCAR 判定后整条删除 13 例）；行为指标右偏（客单价、购买频次），对两者做对数变换后再整体 Z-score 标准化；单变量 Shapiro-Wilk 检查在变换后全部通过宽松判据，Mardia 多元检验通过；X 组内部最大相关 0.58、Y 组最大相关 0.61，条件数与 VIF 均无共线警报。最终进入分析 $n=307$。

8.1.3　SPSS / R / Python 全流程实现

该案例数据量小、口径标准，三大平台均可直接跑通（第五章流程原样复用，此处给 R 的对照脚本，SPSS 与 Python 的等价代码见附录 B）：

library(CCA)
X <- scale(attitude[, 1:4]); Y <- scale(behavior[, 1:4])
res <- cc(X, Y)
# 显著性：Wilks 逐级检验
p <- p.asym(res$cor, N = 307, p = 4, q = 4, tstat = "Wilks")$p.value
r1 <- comput(res, X, Y)                       # 载荷与交叉载荷
rd <- r1$Rdx2 %*% diag(res$cor^2)             # 冗余指数（两侧）

8.1.4　结果解读与管理建议

输出四件套如下：整体检验显著（$\Lambda =0.51$，${\chi }^2=175$，$df=16$，$p<0.001$）；逐级检验保留 2 对（$r_1=0.64$、$r_2=0.31$，第 3 对起不显著）；载荷命名——$U_1$ 由质量感知（0.82）与产品评价（0.79）主导，$V_1$ 由品类跨度（0.77）与购买频次（0.71）主导，第 1 对合成为"理性评价驱动广度购买"；$U_2$ 由品牌喜爱（0.74）主导，$V_2$ 由复购时长（0.81）主导，第 2 对为"情感依恋驱动复购留存"；冗余度——X 侧两对合计解释 Y 侧方差 19.8%，方向性结论克制表述。管理建议随之落地：货架与推荐策略按"理性广度"与"情感留存"两条轴分别设计，情感侧的营销投入对复购的作用经由第 2 对典型路径实现——这是用相关性数据能给出的最远推论，因果性验证需转实验设计（9.3.3 节的注意事项在此兑现）。

8.2　案例二：基因组数据与表型性状关联

8.2.1　研究背景：GWAS 与转录组数据整合

某肿瘤研究团队拿到 210 例同癌种患者的配对数据：RNA 测序表达谱（$p=12000$ 个基因，标准化为 FPKM 后取对数）与一组临床表型（$p$ 远超样本量：肿瘤大小、分期、3 项血液标志物、生存状态编码），研究目标是找出"与临床表型整体共变的基因模块"。样本量 210 对 12000 维变量，经典 CCA 在数学上无定义（$n\ll p$），稀疏 CCA 是唯一主线——变量选择与关联估计一步完成（7.2 节）。

8.2.2 高维稀疏数据下的稀疏 CCA 应用

流程如下：表达谱先做基因过滤（平均表达过低与方差近零的基因剔除，保留 8600 维）；双侧标准化；用 PMA 的置换法选惩罚参数（7.2.4 节）：

library(PMA)
cvx <- CCA.permute(x = expr, z = clin, typex = "standard", typez = "standard")
res <- CCA(x = expr, z = clin,
           penaltyx = cvx$bestpenaltyx, penaltyz = cvx$bestpenaltyz, K = 3)

保留 3 对，每对的非零基因数控制在 40~120 个。结果先在统计层验证：整体关联的置换检验显著（$p<0.001$），第 1 对典型相关 $r_1=0.52$——低于案例一的 0.64，但在高维组学场景属于强信号；随后做清单稳定性审计：10 折内第 1 对的基因清单重合度 74%（高维数据的合格水平，7.2.3 节）。

8.2.3 R / Python 代码实现

R 路线如上方代码；Python 侧无 PMA 等价官方实现，用交替软阈值循环（附录 B.3 提供完整版）复现第 1 对结果后核对两者选中的基因交集是否超过 80%——跨实现核对是稀疏方法发布前的标准质检，因为稀疏解对初值与收敛阈值敏感，单实现结果不可直接采信。

8.2.4　生物学意义解读

对第 1 对选中的 76 个基因做通路富集（超几何检验 + FDR 校正），显著富集于免疫应答与代谢重编程通路；载荷方向显示该模块与肿瘤大小、炎症标志物同向——生物学叙事成立：这类肿瘤的侵袭表型与免疫-代谢共变模块关联。报告纪律严格执行 7.2.3 节：正文报"模块 + 方向"，抑制对"相关强度"的过度渲染，明确标注 210 例样本的验证局限，并把基因清单作为补充材料发布——复现实验（独立队列）在讨论中列为下一步。

8.3　案例三：金融风控中的信用评分关联

8.3.1　研究背景：客户特征与还款行为

某消费金融公司想建立"客户画像与违约行为"的整体关联视图：X 组为客户画像变量（年龄、收入对数、信贷历史长度、查询次数对数、额度使用率），Y 组为行为结果变量（逾期次数、逾期金额对数、授信使用率变化、违约标记编码）。$n=8500$、$p=5$、$q=4$，样本充足；但金融数据的两大特性（3.3.2、1.4.3 节预告）成为本案例主角：收入与查询次数的厚尾分布、以及高收入低违约客户中少量极端样本的杠杆效应。

8.3.2　数据预处理与变量筛选

预处理按"稳健优先"推进：连续变量对数变换 + 标准化；异常值检测用马氏距离 + 稳健估计（最小协方差行列式估计作为 $\mathbf{S}$ 替代普通协方差，规避 3.3.2 节的遮蔽效应），识别出 1.9% 的高杠杆客户进入敏感性分析名单而非直接删除；变量筛选基于领域规则（互不重复的风险信号）确认 5+4 分组，无数据驱动循环。

8.3.3　正则化 CCA 实现

虽然 $n$ 充足，稳健性仍是风控报告的生命线，本案例采用"经典 CCA + 稳健协方差 + 敏感性审计"组合，对照测试正则化变体（7.1.4 节）：

library(CCA); library(robustbase)
Sx <- covMcd(X)$cov; Sy <- covMcd(Y)$cov         # 稳健协方差入口
res_classic <- cc(X, Y)                          # 基准
res_robust  <- rcc(X, Y, 0.02, 0.02)             # 正则化变体对照
# 离群客户剔除后的敏感性复跑
res_sens <- cc(X[-hl_idx, ], Y[-hl_idx, ])

三组输出的第 1 对典型相关与权重方向对比是发布判据：若剔除 1.9% 高杠杆样本后第 1 对权重符号翻转，该结论不得进入风控策略。

8.3.4　风控策略建议

结果给出两条可用结构：第 1 对刻画"额度使用与查询频率—逾期倾向"的整体联动（$r_1=0.47$），载荷以额度使用率（0.78）、查询次数（0.69）与逾期次数（0.72）为骨架；第 2 对刻画"信贷历史长度—授信额度增长"的稳健关联。冗余指数显示 X 侧对逾期方差的总解释 22.4%——说明行为侧的多数波动由组内特有因素主导，风控模型需要补充行为序列类特征（策略建议超出 CCA 的能力边界，如实标注）。稳健性审计结论：剔除高杠杆样本后权重方向不变、幅度变化 <12%，结论进入策略层；正则化变体的第 1 对权重与经典解余弦相似度 0.97，双轨互相背书。

8.4　案例四：教育评估中的学生能力关联

8.4.1　研究背景：学术成绩与综合素质

某高校评估中心试图回答：课程学业表现与综合素质结构之间存在几重关联？数据为 640 名毕业生的两组记录：X 组为学业表现（核心课 GPA、通识课 GPA、实践课 GPA），Y 组为素质测评（团队协作、创新潜质、沟通表达、心理韧性四个量表分）。样本 $n=640$、$p=3$、$q=4$ 满足准则；教育数据形态干净（问卷 + 教务记录），本案例的价值在方法对比——同一个数据集上经典 CCA 与稀疏 CCA 的结果关系（1.3.2、7.2.3 节的伏笔在此兑现）。

8.4.2　经典 CCA 与稀疏 CCA 对比

经典路线先跑：整体检验显著，保留 2 对（$r_1=0.58$、$r_2=0.24$）；载荷显示第 1 对为"实践课 GPA—团队协作与沟通表达"轴，第 2 对为"通识课 GPA—创新潜质"轴。随后在同一数据上跑稀疏 CCA（$p$ 小，L1 惩罚只保留最大载荷的变量）：由于组内相关温和（最大 0.5），稀疏解与经典解高度一致——被选变量与经典载荷前位变量重合，典型相关只损失 0.01~0.02。两个结论从对比中浮现：其一，低维数据上稀疏化只带来可解释性微增益，7.2.3 节"低维趋同"定律得到实证；其二，两法对"留几对"的判断一致，检验决策对方法选择稳健。对比结果汇总见表 8-1。

表 8-1　案例四经典 CCA 与稀疏 CCA 结果对比

8.4.3　教育政策建议

教育含义的提炼走"结构优先"路线：学业与素质之间存在两重独立关联——“实践导向的能力联结"与"通识导向的创新联结”，第一重远强于第二重。政策建议分两层：课程层面，实践类课程与团队协作、沟通训练的组合设计有据可依；评估层面，综合素质测评对学业表现的线性解释总量有限（两对合计冗余 15.6%），学业之外存在大量未被两组共享的结构——单靠这两组数据不能宣称"素质决定成绩"，跨组因果需纵向追踪设计。四个案例的方法选型、数据形态与产出对照汇总于表 8-2。

表 8-2　四案例总览对照

四案例的完整"问题—数据—方法—结论"四段式管线若并排对照，可以看到同样的骨架在四种数据形态下的稳定复现——这条管线正是全书的操作总结，其接口结构如图 8-2 所示。

图 8-2　案例四段式管线的接口对接（图注：本图展示每个案例内部五级接口的信号流向，蓝色是各加工环节，紫色是最终产出。请重点看三个关键节点：数据形态是决定方法选型的主导输入——先认数据再选工具，顺序不可逆；统计验证环节（检验、稳定性、敏感性）在四个案例中无一省略，是方法纪律的实体；落地建议的输出严格受限于统计口径——案例一与案例四在结论处都明确划出"相关性止步、因果需实验"的边界线。）

四个案例覆盖了本书方法谱系的主要组合，跨案例的模块关系与各自产出路径如图 8-3 所示。

图 8-3　四案例分析模块设计图（图注：本图并列四个案例模块，每个模块内部为"数据对—方法—产出"的三级橙链。请重点看三个关键节点：四个模块的输入都是"两组变量"结构，方法纪律同源；中段的差异（经典冗余/稀疏/稳健/双法对比）正是数据形态驱动的选型分叉；每个模块的输出都落在领域建议上——案例研究不是方法演示，而是"分析服务于决策"的完整闭环。）

本章小结：案例研究留下的五个判断

第一，数据形态决定方法，行业只决定故事。案例二与案例三的差异（稀疏 vs 稳健）完全由 $n$、$p$ 与分布形态驱动；把方法硬套到不匹配的形态上，换哪个行业都一样错。

第二，四件套结论口径（显著、载荷命名、冗余、克制建议）跨案例通用。显著性管资格、载荷管命名、冗余管解释量、建议管落地——四个案例无一例外按此顺序收束，这也是第六章报告模板在真实数据上的回炉验证。

第三，稳健性审计是金融等高风险场景的发布闸门。案例三的 1.9% 高杠杆样本审计、案例二的清单重合度审计，本质是同一个动作：让结论在"数据小幅扰动"下保持方向稳定——凡是结论依赖个别样本的分析，都不具备发布资格。

第四，稀疏化在低维场景只是锦上添花。案例四的对比给出定量证据：组内相关温和时稀疏解与经典解趋同，选稀疏是为了可解释性与高维生存能力，而不是为了在低维里"更准"。

第五，边界意识是专业分析的最终标识。案例一与案例四的"因果需实验验证"、案例二与案例三的"解释比例有限"——承认方法边界并如实标注，是案例级分析与教科书演示的分水岭。

四个案例之后，方法、工具与场景都已齐备。下一章处理"实践中还会踩哪些坑"：模型诊断与验证的完整流程、十大常见误用陷阱、论文写作与审稿的应对策略，以及 SPSS / R / Python 的最终选型建议——把前八章的所有纪律收拢成一套可直接执行的检查清单。

参考文献（本章）

[1] Thompson B. Canonical Correlation Analysis: Uses and Interpretation[M]. Thousand Oaks: Sage, 1984.

[2] Witten D M, Tibshirani R, Hastie T. A penalized matrix decomposition, with applications to sparse principal components and canonical correlation analysis[J]. Biostatistics, 2009, 10(3): 515-534.

[3] 王芳. 城镇居民消费结构影响因素的典型相关分析[J]. 统计与决策, 2007(3).

[4] 黄小玉. 高职院校基础课成绩对专业课成绩影响的典型相关分析[J]. 牡丹江教育学院学报, 2009(3).

[5] Hair J F, Black W C, Babin B J, Anderson R E. Multivariate Data Analysis (8th ed.)[M]. Cengage Learning, 2019.

[6] 何晓群. 多元统计分析[M]. 北京: 中国人民大学出版社.