Matlab数学建模实战：从t检验到多元回归，解析母亲健康对婴儿发育的影响

1. 项目概述：从数据到洞察，一次完整的数学建模实战复盘

去年带队参加华数杯，我们组选的正是C题“母亲身心健康对婴儿成长的影响”。这个题目一出来，当时就觉得特别有意思，它不像一些纯理论推导题，而是直接指向了一个非常现实且有温度的社会科学问题。说白了，我们就是要用数学和编程的工具，去量化“妈妈好，宝宝才好”这句老话背后的科学逻辑。整个过程，从数据清洗、特征工程、模型构建到结果可视化，几乎把数据分析的完整链路走了一遍，而Matlab作为我们团队的主力工具，在其中扮演了核心角色。今天我就把当时的解题思路、用到的关键Matlab技术，以及踩过的那些坑，系统地梳理一遍。无论你是正在备战数模的新手，还是对利用Matlab处理社科数据感兴趣的朋友，相信这篇复盘都能给你带来一些直接的参考。

这个题目的核心在于建立“因”与“果”的联系。母亲的身心健康是“因”，包含了心理量表分数、生理指标、生活习惯等多个维度；婴儿的成长是“果”，可能体现在体重、身高、认知发育评分等方面。我们的任务，就是通过题目提供的数据（通常是调研数据或模拟数据），去挖掘、验证并量化这些联系。这不仅仅是一个简单的相关性分析，更涉及到如何剔除混杂因素、如何选择合适的统计或机器学习模型、以及如何将复杂的统计结果转化为清晰易懂的结论。下面，我就分步骤拆解我们当时是如何思考和操作的。

2. 解题核心思路与整体设计

面对这类开放性的数据分析题目，最忌讳的就是拿到数据就直接跑回归。一个清晰的顶层设计能让你事半功倍，避免在代码堆里迷失方向。

2.1 问题拆解与建模路线图

我们首先将宏大的问题分解为几个可操作、可验证的子问题：

1. 维度梳理与指标量化：母亲身心健康具体指什么？题目数据里可能包含焦虑自评量表(SAS)、抑郁自评量表(SDS)分数、睡眠质量评分、社会支持度评分等心理社会指标，也可能包含血压、BMI等生理指标。婴儿成长则可能用不同月龄的体重、身高Z评分，或贝利婴幼儿发展量表(BSID)的智力发展指数(MDI)、精神运动发展指数(PDI)来度量。第一步就是明确每一个变量的含义和量纲。
2. 数据预处理与特征工程：这是决定模型下限的关键。包括处理缺失值（我们采用了基于KNN的插补法）、异常值检测（箱线图配合3σ原则）、数据标准化（Z-score），以及可能需要的特征构造，例如计算母亲压力的综合指数，或将连续年龄分段为“孕早期”、“孕晚期”、“产后0-3月”等分类变量。
3. 关联性探索分析：在建立复杂模型前，先用简单直观的方法探查关系。例如，绘制母亲焦虑分数与婴儿6个月MDI得分的散点图并计算Pearson或Spearman相关系数；对不同社会支持水平的母亲分组，比较其婴儿体重的均值差异（方差分析）。
4. 核心建模与假设检验：这是答题的“主体工程”。我们计划分层推进：
   • 基础层：多元线性回归。以婴儿某项发育指标为因变量，纳入多个母亲健康指标为自变量，看哪些因素有显著影响。这里就能用到ttest来检验回归系数是否显著不为零。
   • 进阶层：分类与预测。将婴儿成长情况划分为“正常”与“迟缓”（根据Z评分或临床界值），使用逻辑回归(Logistic Regression)、支持向量机(SVM)或决策树模型，预测母亲健康状态对婴儿发育风险的预警作用。
   • 深入层：结构方程模型(SEM)探索。我们试图验证一个假设路径，例如“社会支持”缓解“母亲压力”，“母亲压力”影响“养育行为”，“养育行为”直接促进“婴儿发育”。这能回答更复杂的“如何影响”的问题。
5. 结果可视化与解释：将枯燥的统计数字转化为图表。比如用热图展示相关系数矩阵，用森林图展示多元回归的结果（各因素的效应值及置信区间），用路径图展示SEM的拟合结果。

2.2 为什么选择Matlab作为主力工具？

很多同学可能会首选Python，但对于数模竞赛，尤其是涉及传统统计分析、矩阵运算和高质量制图时，Matlab有其独特优势：

• 一站式环境：从数据导入、清洗、统计检验、建模到出版级绘图，无需在多个库之间切换。统计与机器学习工具箱、曲线拟合工具箱功能强大且接口统一。
• 矩阵运算原生高效：底层数据核心就是矩阵，对于回归、主成分分析(PCA)等操作非常直观和高效。
• 绘图功能强大且精细：plot,scatter,heatmap等函数易于上手，且能通过丰富的属性设置实现极其精细的图表控制，这对论文美观度加分很大。
• 工具箱集成度高：Statistics and Machine Learning Toolbox几乎囊括了所有经典统计方法，Psychometrics Toolbox（需额外安装）对做量表分析很有帮助。

当然，Python在深度学习、更复杂的网络分析上有优势，但就华数杯C题这类偏重传统统计建模的题目而言，Matlab的完整性和流畅性能让我们更专注于建模逻辑本身。

注意：竞赛中工具是其次，思想是关键。这里分享Matlab实现，是因为它在特定场景下效率高。你完全可以用Python的pandas、statsmodels、scikit-learn和seaborn复现所有步骤，逻辑是相通的。

3. 关键Matlab技术点详解与实操

这部分我会结合题目，把用到的核心Matlab函数和代码块掰开揉碎讲清楚。

3.1 数据准备与预处理实战

假设我们读入的数据表data包含列：Mother_Anxiety（母亲焦虑分），Mother_SocialSupport（社会支持分），Infant_Weight_6m（婴儿6月体重），Infant_MDI_12m（婴儿12月智发育分）等。

% 1. 导入数据 - 假设是CSV文件 data = readtable('mother_infant_data.csv'); % 2. 探索性查看 summary(data); % 快速查看每列的基本统计量、缺失值数量 head(data); % 查看前几行 % 3. 处理缺失值 - 使用KNN插补（需要Statistics and ML Toolbox） % 先分离特征和标签（假设最后一列是标签） X = data{:, 1:end-1}; % 所有特征列 y = data{:, end}; % 标签列 % 如果缺失值不多，且是随机缺失，可以用均值或中位数插补 % 但为了更稳健，我们使用KNN插补（用最近的k个样本的均值填充） X_filled = knnimpute(X'); % 注意：knnimpute默认对行进行插补，所以先转置 X_filled = X_filled'; % 再转置回来 % 将插补后的数据放回table data_filled = data; data_filled{:, 1:end-1} = X_filled; % 4. 异常值处理 - 使用箱线图法则 figure; boxplot(data_filled.Mother_Anxiety); title('母亲焦虑分数箱线图'); % 根据箱线图找出异常值索引，或使用isoutlier函数 outliers = isoutlier(data_filled.Mother_Anxiety, 'grubbs'); % Grubbs检验 data_clean = data_filled(~outliers, :); % 删除异常值所在行（谨慎操作！） % 5. 数据标准化（Z-score标准化） % 对于需要比较量纲或使用基于距离的模型（如SVM）时很重要 mu = mean(data_clean{:, 1:end-1}); sigma = std(data_clean{:, 1:end-1}); data_standardized = data_clean; data_standardized{:, 1:end-1} = (data_clean{:, 1:end-1} - mu) ./ sigma;

实操心得：处理缺失值时，直接删除是最简单但可能引入偏差的方法。knnimpute效果更好，但计算量稍大。对于异常值，不要盲目删除。有些“异常”可能包含了重要信息（如极高焦虑的母亲）。我们当时是先标记，然后在后续分析中对比包含与不包含异常值的结果是否发生本质变化，再决定处理方式。

3.2 统计检验：深入理解ttest与ttest2

这是分析中最常用的检验之一，用于判断两组数据均值是否有显著差异，或者单个样本均值是否与某个理论值不同。网络热词里专门提到了ttest和ttest2的区别，这里详细说一下。

• ttest（单样本或配对t检验）：

  • 单样本t检验：检验一组数据的均值是否与某个已知常数（如理论值、标准值）存在显著差异。

  % 示例：检验母亲焦虑分数的平均值是否显著高于常模50分 [h, p, ci, stats] = ttest(data_clean.Mother_Anxiety, 50); % h=1表示拒绝原假设（均值不等于50），p是p值，ci是置信区间，stats包含t值等统计量 fprintf('p值为：%.4f。若p<0.05，则母亲焦虑均分显著异于50分。\n', p);

  • 配对样本t检验：检验同一组对象在两个不同条件下（如产前和产后）的测量值均值是否有差异。数据必须成对出现。

  % 示例：检验母亲产前和产后的焦虑分数是否有显著变化 % 假设 data_clean 中有 Prenatal_Anxiety 和 Postnatal_Anxiety 两列 [h, p] = ttest(data_clean.Prenatal_Anxiety, data_clean.Postnatal_Anxiety); fprintf('配对t检验p值：%.4f。若p<0.05，则产前产后焦虑水平有显著变化。\n', p);

• ttest2（独立样本t检验）：

  • 检验两组独立样本的均值是否有显著差异。比如，比较“高社会支持组”和“低社会支持组”的母亲，其婴儿的体重是否有差异。

  % 示例：按社会支持中位数分组，比较婴儿体重 median_support = median(data_clean.Mother_SocialSupport); high_support_group = data_clean.Infant_Weight_6m(data_clean.Mother_SocialSupport > median_support); low_support_group = data_clean.Infant_Weight_6m(data_clean.Mother_SocialSupport <= median_support); [h, p, ci, stats] = ttest2(high_support_group, low_support_group, 'Vartype', 'unequal'); % 'Vartype', 'unequal' 表示假设两组方差不等（更保守，推荐先做方差齐性检验） fprintf('独立样本t检验p值：%.4f。\n', p);

核心区别总结表：

重要提示：使用t检验有前提条件，即数据应近似服从正态分布。对于婴儿体重这类可能偏态的数据，我们当时先做了正态性检验（如lillietest），若不满足，则改用非参数检验如ranksum（Wilcoxon秩和检验，相当于ttest2的非参数版本）或signrank（Wilcoxon符号秩检验，相当于配对ttest的非参数版本）。

3.3 多元线性回归建模

这是分析多个母亲健康指标对婴儿成长共同影响的核心手段。

% 假设我们想探究母亲焦虑、抑郁、社会支持对婴儿12个月MDI得分的影响 % 因变量 Y = data_standardized.Infant_MDI_12m; % 自变量 X = [data_standardized.Mother_Anxiety, ... data_standardized.Mother_Depression, ... data_standardized.Mother_SocialSupport]; % 添加常数项（截距） X = [ones(size(X,1),1), X]; % 使用最小二乘法求解回归系数 beta = (X' * X) \ (X' * Y); % 或者用 pinv(X) * Y % 但更推荐使用 fitlm 函数，它提供完整的回归统计信息 mdl = fitlm(data_standardized, 'Infant_MDI_12m ~ Mother_Anxiety + Mother_Depression + Mother_SocialSupport'); disp(mdl); % 查看完整的回归结果摘要 % 解读关键输出： % - Coefficients.Estimate: 回归系数。例如 Mother_Anxiety 系数为负，表示焦虑分数越高，预测的MDI得分越低（控制其他变量后）。 % - Coefficients.pValue: 该系数的p值。p<0.05通常认为该因素有显著影响。 % - R-squared: 决定系数，模型解释的变异比例。 % - anova(mdl): 进行模型的方差分析，看模型整体是否显著。 % 可视化：绘制回归诊断图 figure; plotResiduals(mdl, 'fitted'); % 残差 vs 拟合值图，检查异方差性 figure; plotDiagnostics(mdl, 'cookd'); % Cook距离，识别强影响点

实操心得：fitlm输出的结果非常丰富。一定要关注标准化系数（如果数据已标准化，则原始系数可比），它可以直接比较不同自变量的相对影响大小。比如，可能发现“社会支持”的标准化系数绝对值比“焦虑”更大，说明在模型中，社会支持对婴儿发育的预测作用更强。另外，务必检查多重共线性，可以用vif（方差膨胀因子）函数，如果VIF大于10，说明共线性严重，需要考虑剔除或合并变量（如用主成分分析PCA提取综合指标）。

3.4 逻辑回归与分类预测

当我们将婴儿成长定义为二分类问题（如发育正常=1，发育迟缓=0）时，逻辑回归就派上用场了。

% 1. 创建二分类标签（假设MDI<85分为发育迟缓） cutoff = 85; data_clean.Infant_MDI_Label = data_clean.Infant_MDI_12m >= cutoff; % 1=正常，0=迟缓 % 逻辑回归要求因变量是分类变量，这里用0/1表示 % 2. 拟合逻辑回归模型 logit_mdl = fitglm(data_clean, ... 'Infant_MDI_Label ~ Mother_Anxiety + Mother_SocialSupport + Mother_Age', ... 'Distribution', 'binomial', 'Link', 'logit'); disp(logit_mdl); % 3. 解读系数：系数代表对数几率（log-odds）的变化。 % exp(系数) 就是优势比(Odds Ratio, OR)。 % 例如，Mother_Anxiety的系数为-0.2，则OR = exp(-0.2) ≈ 0.82。 % 解释：母亲焦虑分数每增加1单位，婴儿发育正常的几率（Odds）变为原来的0.82倍（即降低18%）。 % 4. 预测与评估 probabilities = predict(logit_mdl, data_clean); % 预测为正类（正常）的概率 predicted_labels = probabilities > 0.5; % 以0.5为阈值进行分类 % 计算混淆矩阵和准确率 confusion_mat = confusionmat(data_clean.Infant_MDI_Label, predicted_labels); accuracy = sum(diag(confusion_mat)) / sum(confusion_mat, 'all'); fprintf('逻辑回归分类准确率：%.2f%%\n', accuracy*100); % 5. 绘制ROC曲线，评估模型判别能力 [X_roc, Y_roc, T, AUC] = perfcurve(data_clean.Infant_MDI_Label, probabilities, true); figure; plot(X_roc, Y_roc); xlabel('假阳性率'); ylabel('真阳性率'); title(sprintf('ROC曲线 (AUC = %.3f)', AUC)); grid on;

注意事项：逻辑回归对样本不平衡很敏感。如果“迟缓”的样本很少（比如只占10%），模型可能会倾向于把所有样本都预测为“正常”从而获得高准确率，但这没有意义。此时需要关注精确率(Precision)、召回率(Recall)和F1分数，或者使用过采样、欠采样技术。Matlab的perfcurve也可以用来计算这些指标。

4. 高级分析与可视化技巧

4.1 相关性分析与热图绘制

在建模前，一张好的相关性热图能快速揭示变量间的初步关系。

% 选择需要分析的相关变量 vars_of_interest = {'Mother_Anxiety', 'Mother_Depression', 'Mother_SocialSupport', ... 'Infant_Weight_6m', 'Infant_Length_6m', 'Infant_MDI_12m'}; data_selected = data_clean(:, vars_of_interest); % 计算相关系数矩阵（这里用Pearson相关系数） corr_matrix = corr(table2array(data_selected), 'Rows', 'pairwise'); % 'pairwise'忽略含有缺失值的配对 % 绘制热图 figure; heatmap(vars_of_interest, vars_of_interest, corr_matrix, ... 'Colormap', parula, ... % 使用parula配色 'ColorLimits', [-1, 1], ... % 固定颜色范围 'Title', '母亲健康与婴儿发育指标相关性热图'); % 可以进一步美化，如添加数值标签 % 自己编写循环添加text，或使用第三方函数如imagesc配合text

4.2 路径分析与结构方程模型（SEM）初探

虽然Matlab没有像AMOS或Mplus那样的专用SEM工具箱，但通过统计工具箱和自定义函数，可以进行简单的路径分析。这通常涉及构建一个方程组并用mvregress（多元回归）或nlinfit（非线性拟合）来估计路径系数。由于实现较为复杂，竞赛中更常见的做法是：

1. 用理论构建路径图。
2. 将路径分解为多个回归方程。例如，假设“社会支持(X1)”影响“母亲压力(X2)”，再影响“婴儿发育(Y)”。那么可以分别做两个回归：X2 ~ X1和Y ~ X1 + X2。
3. 通过比较直接效应和间接效应来分析。间接效应 = (X1->X2的系数) * (X2->Y的系数)。
4. 使用自助法(Bootstrapping)来检验间接效应的显著性。这可以通过编写循环，重复抽样并计算间接效应来实现。

% 一个简化的自助法示例，用于检验中介效应 n_boot = 5000; % 自助法次数 indirect_effects = zeros(n_boot, 1); n_samples = height(data_clean); for i = 1:n_boot % 有放回抽样 boot_idx = randsample(n_samples, n_samples, true); data_boot = data_clean(boot_idx, :); % 拟合第一个方程：压力 ~ 社会支持 mdl1 = fitlm(data_boot, 'Mother_Stress ~ Mother_SocialSupport'); a = mdl1.Coefficients.Estimate(2); % 路径a % 拟合第二个方程：发育 ~ 社会支持 + 压力 mdl2 = fitlm(data_boot, 'Infant_MDI_12m ~ Mother_SocialSupport + Mother_Stress'); b = mdl2.Coefficients.Estimate(3); % 路径b (控制社会支持后，压力对发育的影响) % 计算间接效应 indirect_effects(i) = a * b; end % 计算95%置信区间 ci_lower = prctile(indirect_effects, 2.5); ci_upper = prctile(indirect_effects, 97.5); fprintf('间接效应（社会支持->压力->发育）的95%%自助法置信区间为：[%.4f, %.4f]\n', ci_lower, ci_upper); % 如果置信区间不包含0，则间接效应显著。

4.3 高质量论文图表绘制

竞赛论文中，图表的美观和专业性至关重要。

% 示例1：分组箱线图，比较不同母亲教育水平下婴儿体重的分布 figure('Position', [100, 100, 800, 500]); % 设置图形位置和大小 boxplot(data_clean.Infant_Weight_6m, data_clean.Mother_Education, ... 'Labels', {'高中及以下', '本科', '硕士及以上'}, ... 'Colors', [0.2, 0.6, 0.8]); % 自定义颜色 ylabel('婴儿6个月体重 (kg)'); xlabel('母亲教育水平'); title('不同母亲教育水平下婴儿体重的分布比较'); grid on; % 添加网格，更清晰 set(gca, 'FontSize', 12, 'FontName', 'Arial'); % 设置坐标轴字体 % 示例2：带拟合线的散点图与置信区间 figure; scatter(data_clean.Mother_SocialSupport, data_clean.Infant_MDI_12m, 40, 'filled', 'MarkerFaceAlpha', 0.6); hold on; % 进行线性拟合 p = polyfit(data_clean.Mother_SocialSupport, data_clean.Infant_MDI_12m, 1); x_fit = linspace(min(data_clean.Mother_SocialSupport), max(data_clean.Mother_SocialSupport), 100); y_fit = polyval(p, x_fit); plot(x_fit, y_fit, 'r-', 'LineWidth', 2); % 计算预测区间（更宽，用于个体预测） % 使用 predint 函数（需要曲线拟合工具箱） % [y_fit, delta] = polyconf(p, x_fit, data_clean.Mother_SocialSupport, data_clean.Infant_MDI_12m, 'predopt', 'curve'); % 或者手动计算（简化版，显示置信区间） mdl_simple = fitlm(data_clean.Mother_SocialSupport, data_clean.Infant_MDI_12m); [y_pred, ci] = predict(mdl_simple, x_fit'); plot(x_fit, ci(:,1), 'b--', 'LineWidth', 1); % 置信下限 plot(x_fit, ci(:,2), 'b--', 'LineWidth', 1); % 置信上限 xlabel('母亲社会支持分数'); ylabel('婴儿12个月MDI分数'); title('社会支持与婴儿智力发育的关系（含拟合线及95%置信区间）'); legend('观测数据', '线性拟合', '95% 置信区间', 'Location', 'best'); hold off;

5. 常见问题、调试技巧与优化建议

在实际编程和建模过程中，我们遇到了不少问题，这里总结一下。

5.1 数据与预处理相关

• 问题1：导入数据时中文乱码。

  • 解决：在readtable中使用'FileEncoding'参数指定编码，如readtable('data.csv', 'FileEncoding', 'UTF-8')或'GB2312'。最保险的方法是先用记事本或Excel将文件另存为UTF-8编码格式。

• 问题2：缺失值处理方式选择困难。

  • 建议：进行敏感性分析。分别尝试删除法、均值/中位数插补、KNN插补甚至多重插补，然后跑一遍核心模型（如多元回归），看关键结论（如哪些变量显著）是否发生根本性改变。如果结论稳定，说明你的分析对缺失值处理方式不敏感，结果是可靠的。

• 问题3：变量量纲差异大，导致回归系数无法直接比较。

  • 解决：务必进行数据标准化（如Z-score）。zscore函数可以方便实现。标准化后，所有变量均值为0，标准差为1，此时回归系数的大小直接反映了该变量的相对重要性。

5.2 建模与分析相关

• 问题4：回归模型R方很低，模型拟合不好。

  • 排查：
    1. 检查线性假设：绘制残差图(plotResiduals(mdl))。如果残差呈现明显的曲线模式，说明可能存在非线性关系，考虑添加变量的平方项或交互项，或使用非线性模型。
    2. 检查重要变量是否遗漏：婴儿发育受多因素影响，可能遗漏了关键变量（如父亲因素、家庭经济状况、遗传因素等）。在论文中需要将此作为模型局限性讨论。
    3. 数据噪声大：社科数据本身波动性大。可以尝试使用稳健回归(fitlm中设置'RobustOpts', 'on')来降低异常值的影响。

• 问题5：逻辑回归预测概率全部偏向0或1。

  • 排查：
    1. 样本极度不平衡：使用cvpartition进行分层抽样，或使用fitcsvm（SVM）并调整'ClassNames'和代价权重('Cost')。
    2. 特征存在完全分离：某个特征能完美区分两类，导致系数趋于无穷大。检查特征，或加入正则化（如LASSO逻辑回归，可通过lasso或fitclinear实现）。

• 问题6：想用更复杂的模型（如随机森林、XGBoost），但Matlab实现不熟。

  • 建议：Matlab的统计与机器学习工具箱提供了TreeBagger（随机森林）和fitcensemble（提升树）等函数。对于数模竞赛，如果时间有限，模型复杂度不是得分关键，清晰的理论框架、严谨的统计检验和合理的解释比堆砌复杂模型更重要。如果要用，确保能解释清楚模型结果（如通过oobPermutedPredictorImportance查看特征重要性）。

5.3 Matlab编程与性能

• 问题7：循环运行速度慢，特别是自助法(Bootstrapping)或交叉验证时。

  • 优化：
    1. 预分配数组：在循环前用zeros(n,1)预分配存储结果的空间，避免数组动态增长。
    2. 向量化操作：尽可能用矩阵运算代替循环。例如，计算所有样本的预测值可以用矩阵乘法。
    3. 使用parfor并行循环：如果循环迭代间独立，可以使用parfor加速。确保已打开并行池(parpool)。注意，parfor适用于大规模简单运算，对于本身很快的运算，启动并行池的开销可能得不偿失。

    % 将之前的自助法循环改为parfor n_boot = 5000; indirect_effects = zeros(n_boot, 1); n_samples = height(data_clean); parfor i = 1:n_boot % 将 for 改为 parfor % ... 循环体内代码（注意：循环内不能有依赖迭代顺序的操作） end

• 问题8：图形窗口太多，管理混乱。

  • 技巧：
    1. 使用figure('Name', '相关性热图')给图形窗口命名。
    2. 使用close all关闭所有图形，close(fig_handle)关闭特定图形。
    3. 使用subplot在一个窗口内创建多个子图，便于对比。
    4. 关键图表务必保存为高分辨率图片，插入论文。

    fig = figure('Position', [100,100,1200,800]); % ... 绘图代码 print(fig, 'my_plot.png', '-dpng', '-r300'); % 保存为300DPI的PNG saveas(fig, 'my_plot.fig'); % 同时保存.fig文件，便于后续在Matlab中重新编辑

5.4 论文写作与结果呈现

• 问题9：统计结果表格又长又乱，如何清晰呈现？

  • 建议：不要直接粘贴Matlab的完整输出。制作一个简洁的回归结果表，包含变量名、非标准化系数(B)、标准化系数(Beta)、标准误(SE)、t值、p值和显著性标记（*， **， ***）。可以用Matlab将关键数据导出到Excel（writetable），然后在Word或LaTeX中制作成三线表。

• 问题10：如何从分析结果中提炼出有意义的结论？

  • 思路：避免只说“A与B显著相关”。要结合效应量（如相关系数大小、回归系数值、优势比OR值）和专业知识进行解释。例如：“在控制了母亲年龄和教育水平后，母亲产前焦虑每增加一个标准差，预测婴儿12个月时的MDI分数将下降约3.2分（β = -0.32, p < 0.01）。这一效应量虽然统计显著，但从临床角度看属于轻度影响。相比之下，社会支持显示出更大的保护性效应（β = 0.45）。” 这样的结论既有统计支撑，又有实际意义解读。

最后想说的是，数学建模竞赛的魅力在于将现实问题抽象化，并用科学工具求解。华数杯C题只是一个载体，通过它我们锻炼的是数据思维、统计素养和解决复杂问题的系统化能力。Matlab是一个强大的伙伴，但更重要的是你如何定义问题、如何清洗数据、如何选择并解释模型。多动手、多思考、多复盘，每一次实战都是宝贵的积累。希望这篇超详细的复盘，能为你下次面对类似问题提供一条清晰的路径。