背景：在临床预测模型开发中，过拟合会导致新数据上的预测风险过于极端。全局收缩因子（S）通过将预测值向均值“收缩”来缓解此问题，其中最优收缩因子（Sopt）能使模型在目标人群中的校准斜率（calibration slope）为1。实践中，Sopt通常通过启发式公式（SVH）或自助法（Sboot）估计。然而，现有证据表明这些估计量在小样本下变异性高，且SVH作为样本量标准（如Riley准则）的基础是否可靠尚不明确。
方法：研究人员通过大规模模拟研究，在多样化的样本量（ndev）和设定下，比较了SVH和Sboot估计Sopt的平均性能（偏差）。同时评估了SVH偏差对样本量准则的影响，并与Pavlou调整方法进行了对比。
结果：研究发现，在大多数设定下，SVH是Sopt的近似无偏估计量，其偏差通常小于0.01。相比之下，Sboot在预测性能较低或样本量较小时表现出更大的变异性。基于SVH的样本量准则在控制过fitting方面表现良好，Pavlou调整仅在高维设定下略有优势。
结论：SVH在广泛条件下是Sopt的可靠估计量，支持其在模型开发和样本量规划中的继续使用。
论文解读
研究背景与问题
临床预测模型（clinical prediction model）的开发常面临过拟合（overfitting）风险，导致模型在新数据上校准不佳（预测风险过于极端）。为应对此问题，收缩（shrinkage）技术被广泛应用，其核心是寻找最优全局收缩因子Sopt，使得模型在目标人群中的校准斜率（calibration slope）等于1。实践中，Sopt未知，需通过估计量获取。其中，van Houwelingen启发式收缩因子（SVH= 1 - (p / LR)，其中p为预测变量数，LR为似然比统计量）因计算简便被广泛用于模型 optimism 调整及样本量准则（如Riley准则）。然而，既往研究（van Calster, Riley等）指出，现有收缩估计量在小样本下变异性高，且SVH作为样本量规划基础的可靠性受到质疑。因此，亟需系统评估SVH与Sopt的一致性，并明确其在样本量准则中的适用性。
研究方法概述
本研究发表于《Diagnostic and Prognostic Research》，采用两大模拟研究框架：
- 1.
性能对比模拟：基于ADEMP结构，随机生成30,000个场景（涵盖不同样本量ndev、预测变量数Q、事件比例、协方差结构），每个场景重复250次。通过生成百万级验证队列计算Sopt真值，对比SVH与Sboot的偏差与变异性。
- 2.
样本量准则评估：基于Riley样本量公式（以SVH≥0.9为目标）及Pavlou模拟调整方法，评估在实际数据生成机制下，采用不同准则开发模型的校准性能。
研究结果
模拟研究1：SVH与Sboot的性能对比
- •
总体偏差：在绝大多数设定下，SVH是Sopt的近似无偏估计量，平均偏差（mean difference）通常小于0.01。其偏差主要受样本量（ndev）和模型总体判别性能（R²CS_pop）影响，在ndev较小或R²较低时略高，但仍在可接受范围。
- •
与自助法比较：Sboot在总体偏差方面与SVH相当，但在模型性能较低或样本量较小时，Sboot表现出更高的变异性（variance），且计算成本显著高于SVH。
- •
极端场景：仅在样本量极小（ndev< 100）且预测变量极多（high-dimensional）的极端设定下，SVH才表现出明显偏差，但此类场景已超出常规模型开发推荐范围。
模拟研究2：样本量准则的可靠性
- •
Riley准则有效性：基于SVH≥0.9目标的Riley样本量准则，在实际应用中能有效控制过拟合，使开发模型的平均校准斜率接近1，表现稳健。
- •
Pavlou调整局限性：对比Pavlou提出的模拟调整方法，Riley准则在大多数非极端设定下表现相当或更优。Pavlou调整仅在极高维（变量数接近样本量）设定下略有优势，但优势幅度有限，且依赖额外的模拟复杂度。
讨论与结论
本研究通过大规模模拟证实，van Houwelingen启发式收缩因子（SVH）在广泛的样本量和模型设定下，是最优收缩因子（Sopt）的可靠且近似无偏的估计量。其性能不劣于计算成本更高的自助法（Sboot）。因此，SVH继续作为模型 optimism 调整和样本量规划（如Riley准则）的标准方法是合理的。对于常规临床预测模型开发，无需转向更复杂的估计方法。研究建议在样本量规划时，仍以SVH≥0.9为目标，以确保模型在开发阶段即具备良好的校准潜力。
