在对约 25 个病例和对照的基因表达数据集（约 400 个变量/基因）的 SVM（线性核）分类分析中，我发现基于基因表达的分类器具有非常好的性能特征。对于许多分类和连续临床/人口统计变量（根据 Fisher 精确或 t 检验），病例和对照没有显着差异，但它们在年龄方面确实存在显着差异。
有没有办法表明分类分析结果是否受年龄影响？
我正在考虑将基因表达数据减少到主要成分，并对成分与年龄进行斯皮尔曼相关性分析。
这是一个合理的方法吗？或者，我可以检查 SVM 分析中获得的年龄和班级成员概率值之间的相关性。
谢谢。
该数据至少有两种可能性。一种可能性是您的微阵列不包含任何疾病标记。但是，它们确实包含有关年龄的信息，并且由于在您的情况下，患病人群和对照人群的年龄不同，因此您会产生分类性能良好的错觉。另一种可能性是微阵列确实包含疾病标记，而且，这些标记正是 SVM 所关注的。
在这两种可能性中，数据的主要成分似乎都与年龄相关。在第一种情况下，这是因为年龄是数据所表达的。在第二种情况下，这是因为疾病是数据所表达的，而这种疾病本身与年龄相关（对于您的数据集）。我认为没有一种简单的方法可以查看相关值并得出结论是哪种情况。
我可以想出几种方法来不同地评估效果。一种选择是将您的训练集分成年龄相同的组。在这种情况下，对于“年轻”年龄段，正常班级将比疾病班级拥有更多的训练示例，反之亦然。但只要有足够的例子，这应该不是问题。另一种选择是对测试集执行相同的操作，即查看分类器是否倾向于更频繁地对老年患者说“生病”。这两个选项都可能很困难，因为您没有那么多示例。
另一种选择是训练两个分类器。首先，唯一的特征是年龄。这似乎有 0.82 的 AUC。第二个是年龄和微阵列数据。（目前您似乎训练了一个仅使用微阵列数据的不同分类器，它给您的 AUC 为 0.95。显式添加年龄特征可能会提高性能，因此 AUC 会更高。）如果第二个分类器的性能优于首先，这表明年龄不是该数据中唯一感兴趣的内容。根据您的评论，AUC 的改进为 0.13 或更多，这似乎是公平的。