Pooling Versus Ensembling for Ridge Regression Under Covariate Shift¶

会议: NeurIPS 2026
arXiv: 2608.01641
OpenReview: https://openreview.net/forum?id=9QYohrmHKg
论文: https://arxiv.org/abs/2608.01641
领域: 其他
关键词: 岭回归, 协变量偏移, 汇聚与集成, 双重下降, 随机矩阵理论

一句话总结¶

本文在高维比例渐近体制下推导了岭回归与无岭回归在多集群协变量偏移下的精确预测风险公式，证明当岭正则化参数大于零时，汇聚全量数据的单模型在渐近风险上严格优于基于真实集群划分的凸组合集成模型，且两者的相对优劣几乎完全由维度样本比决定，与集群均值的几何结构无关。

研究背景与动机¶

现代机器学习数据集普遍存在多源异构性，数据往往自然分布在不同的子群体、批次效应或异质数据源中。面对这种跨源分布差异，机器学习社区长期形成了一种经验直觉与主流范式：若训练集由多个异构集群构成，应当针对每个集群独立训练一个基学习器，随后通过加权集成来构建最终预测模型，以此规避全量数据混合训练可能带来的负迁移或跨分布干扰。在实证研究中，多源集成学习在随机森林、神经网络及正则化回归等模型中屡屡展现出优于简单汇聚训练的泛化表现，这一成功促使研究者广泛采用针对集群划分的集成方案。

然而，以往支撑集成优势的理论研究大多假设了「协变量分布」与「条件结果生成机制」同时发生漂移。在许多实际应用中，不同数据源的异构性实际上仅来源于输入的协变量偏移，其底层的物理规律或条件响应函数在所有集群间保持一致。此时，针对已知集群结构进行显式切分并集成，是否依然能带来统计效率或预测风险上的收益，在理论上一直缺乏清晰的解析刻画。直觉上，集群感知切分虽然隔离了边缘分布漂移，却不可避免地缩减了每个子模型的有效样本量；而简单汇聚虽放大了样本规模，却面临着异构协变量混合的挑战。

为了厘清这一核心矛盾，本文在广义协变量偏移但无概念漂移的线性模型设定下，借助高维随机矩阵理论，对岭正则化最小二乘回归中「汇聚训练」与「集群感知集成」的渐近预测风险展开严格对比。核心 idea：在高维比例渐近极限下，将岭回归在均值偏移数据上的预解矩阵分解与留二法技巧相结合，证明在随机效应下最优调优的汇聚岭回归预测器渐近风险处处严格小于最优凸组合集成预测器；集成策略仅在无岭回归且全量数据处于插值阈值时凭借隐式过参数化正则实现短暂反超，两者的性能差距完全由有效维度样本比主导，而与集群均值的几何偏移无关。

方法详解¶

整体框架¶

本文考虑包含 $K$ 个已知集群的异构多源数据集 $\mathcal{D} = \{\mathcal{D}_\ell\}_{\ell=1}^K$。每个集群 $\mathcal{D}_\ell = (y_{i,\ell}, \boldsymbol{X}_{i,\ell})_{i=1}^{n_\ell}$ 的特征满足带均值偏移的亚高斯生成机制 $\boldsymbol{X}_{i,\ell} = \boldsymbol{\mu}_\ell + \Sigma^{1/2} \mathbf{Z}_{i,\ell}$，其中 $\boldsymbol{\mu}_\ell \in \mathbb{R}^p$ 为集群特异均值向量，$\Sigma$ 为全局正定协方差矩阵。标签由所有集群共享的线性响应模型生成：$y_{i,\ell} = \boldsymbol{\beta}^\top \boldsymbol{X}_{i,\ell} + \varepsilon_{i,\ell}$，噪声方差为 $\sigma_\varepsilon^2$。测试样本 $\mathbf{x}^\star$ 服从零均值且单位协方差的参考分布，测试标签为 $y^\star = \boldsymbol{\beta}^\top \mathbf{x}^\star + \varepsilon^\star$。

在此设定下，本文形式化对比两类估计范式： 1. 汇聚学习器（Pooled Estimator）：直接合并全量数据 $\mathbb{X}_{\rm pool} \in \mathbb{R}^{n \times p}, \mathbf{Y}_{\rm pool} \in \mathbb{R}^n$（总样本数 $n = \sum_{\ell=1}^K n_\ell$），求解单模型岭回归系数 $\hat{\boldsymbol{\beta}}_{\lambda_0} = (\mathbb{X}_{\rm pool}^\top \mathbb{X}_{\rm pool} + \lambda_0 \mathbb{I})^{-1} \mathbb{X}_{\rm pool}^\top \mathbf{Y}_{\rm pool}$（或无岭伪逆解 $\hat{\boldsymbol{\beta}}_+$）。 2. 集群集成学习器（Ensemble Estimator）：在每个已知集群 $\mathcal{D}_\ell$ 上独立拟合岭回归系数 $\hat{\boldsymbol{\beta}}_{\lambda_\ell} = (\mathbb{X}_\ell^\top \mathbb{X}_\ell + \lambda_\ell \mathbb{I})^{-1} \mathbb{X}_\ell^\top \mathbf{Y}_\ell$，再通过非负凸组合权重 $\mathbf{w} = (w_1, \ldots, w_K)$ 聚合预测，即 $\hat{\boldsymbol{\beta}}_{\rm ens, \boldsymbol{\rho}}(\mathbf{w}) = \sum_{\ell=1}^K w_\ell \hat{\boldsymbol{\beta}}_{\lambda_\ell}$。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    In["多源异构数据集<br/>K 个集群共享系数 β 且存在均值偏移 μ_ℓ"] --> Split["估计范式分流<br/>汇聚全部数据 vs 集群独立拟合凸组合"]
    Split --> D1["随机效应渐近风险表征<br/>基于 Stieltjes 变换与确定性等价矩阵"]
    Split --> D2["留二法预解矩阵解耦<br/>控制非零均值下的交叉双线性型"]
    D1 --> D3["维度样本比优劣判定准则<br/>解析风险比值并刻画插值阈值相变"]
    D2 --> D3
    D3 --> Out["理论判定与结论<br/>有正则化下汇聚严格占优 / 无正则化仅在汇聚插值峰时集成占优"]

关键设计¶

1. 随机效应渐近风险表征：基于 Stieltjes 变换与确定性等价矩阵建立解耦泛函

在比例高维极限 $p/n_\ell \to \gamma_\ell \in [0, \infty)$ 且惩罚项按样本量线性缩放 $\lambda_\ell = \rho_\ell n_\ell$ 的体制下，分析集成估计器与汇聚估计器的核心难点在于对预解矩阵逆阵 trace 项及其导数的高维逼近。对于真实回归系数服从随机先验 $\mathbb{E}(\boldsymbol{\beta}) = 0, \mathrm{Var}(\boldsymbol{\beta}) = \tau^2 \mathbb{I}/p$ 的情形，模型预测均方误差可直接分解为测试噪声、收缩偏差（Bias）与采样方差（Variance）。

利用各向异性局部半圆律与 Marchenko-Pastur 伴随分布的 Stieltjes 变换 $m_\gamma(\rho)$，定义确定性等价矩阵 $Q_\gamma(\rho) = [\rho(\mathbb{I} + m_\gamma(\rho)\Sigma)]^{-1}$ 及其归一化迹 $a_\gamma(\rho) = \frac{1}{p}\mathrm{Tr}(Q_\gamma(\rho))$ 与方差泛函 $V_\gamma(\rho) = \gamma \{a_\gamma(\rho) + \rho a_\gamma'(\rho)\}$。由此推导出的单模型与集成风险公式将集群间的交叉协方差完美隔离： $$R_{\mathrm{ens},\boldsymbol{\rho}}(\mathbf{w}) = \sigma_\star^2 + \sum_{\ell=1}^{K}w_{\ell}^{2}\left\{\tau^{2}\rho_{\ell}^{2}[-a_{\gamma_{\ell}}^{\prime}(\rho_{\ell})]+\sigma_{\varepsilon}^{2}V_{\gamma_{\ell}}(\rho_{\ell})\right\} + 2\tau^{2}\sum_{1\leq\ell<j\leq K}w_{\ell}w_{j}\rho_{\ell}\rho_{j}\,\tfrac{1}{p}\mathrm{Tr}(Q_{\ell}Q_{j}) + o(1)$$ 该设计使得最优集成权重 $\mathbf{w}^\star$ 可以通过对称正定矩阵 $A^\star_{\rm RE} \in \mathbb{R}^{K \times K}$ 的解析求逆显式表达，为与汇聚风险进行点对点严格不等式放缩奠定了坚实基础。

2. 留二法预解矩阵解耦：严格控制非零均值下的交叉二次型相关性

在固定效应（Fixed Effects，即回归系数 $\boldsymbol{\beta}$ 确定且范数有界）设定下，非零集群均值 $\boldsymbol{\mu}_\ell$ 会在样本协方差矩阵中引入低秩扰动，即 $\hat{\Sigma}_{\rm pool} = S_n^{(-)} + (U_n + R_n)(U_n + R_n)^\top$。普通随机矩阵理论在处理预解矩阵与具有均值依赖性的向量二次型时会产生复杂的交叉耦合项，无法直接应用既有大数定律。

为克服这一技术瓶颈，本文引入了精细的「留二法（Leave-Two-Out）」解耦技术：通过两次应用 Sherman-Morrison 秩一更新恒等式，将包含任意样本对 $(\boldsymbol{Z}_i, \boldsymbol{Z}_j)$ 的预解矩阵 $H_n(\rho)$ 展开为排除该样本对的独立预解矩阵 $H_n^{(-ij)}$ 及其修正分母。通过对四阶矩指标交叉重叠项（分别对应无重叠、单指标重叠、双指标重叠）展开详尽的阶数控制，严格证明了非对角交叉项在样本均值中心化下的均方收敛阶为 $O_{\mathbb{P}}(\frac{\sqrt{p}}{m}) = o_{\mathbb{P}}(1)$。结合 Woodbury 恒等式，将均值偏移对偏差的影响完整收敛到紧凑的秩 $K$ 修正核算子 $\mathcal{K}_{\gamma, \boldsymbol{\mu}}(\rho)$ 中： $$\mathcal{K}_{\gamma,\boldsymbol{\mu}}(\rho) = Q_{\gamma}(\rho) - \frac{Q_{\gamma}(\rho)\boldsymbol{\mu}\boldsymbol{\mu}^{\top}Q_{\gamma}(\rho)}{1+\gamma s_{\gamma}(\rho)+\boldsymbol{\mu}^{\top}Q_{\gamma}(\rho)\boldsymbol{\mu}}$$ 这彻底解耦了确定性均值偏移向量与随机噪声在高维极限下的相互作用。

3. 维度样本比优劣判定准则：解析风险比值并刻画插值阈值相变

通过联立解析出的最优调优参数 $\rho_\ell^\star = \gamma_\ell \frac{\sigma_\varepsilon^2}{\tau^2}$ 与代数特征方程，本文建立了一个仅依赖有效维度样本比 $\gamma = p/n$ 的闭式判定准则。对于 $K=2$ 且 $\Sigma = \mathbb{I}$ 的对称情形，定义特征系数 $\kappa_\ell = \frac{-(\alpha - 1 + \gamma_\ell^{-1}) + \sqrt{(\alpha - 1 + \gamma_\ell^{-1})^2 + 4\alpha}}{2}$（其中 $\alpha = \sigma_\varepsilon^2/\tau^2$）。当 $\lambda > 0$ 时，最优加权集成与最优汇聚的超额预测误差比值严格满足： $$\frac{R_{\rm ens}^{\star}-\sigma_{\star}^{2}}{R_{\rm pool}^{\star}-\sigma_{\star}^{2}} = \frac{\kappa_{1}\kappa_{2}(1-\kappa_{1}\kappa_{2})}{\kappa_{0}(\kappa_{1}+\kappa_{2}-2\kappa_{1}\kappa_{2})} + o_{\mathbb{P}}(1) > 1 + o_{\mathbb{P}}(1)$$ 该理论结果揭示了至关重要的机制：当存在非零岭正则化时，汇聚模型总是严格且一致地优于集成模型。而在无岭回归（$\lambda = 0$）极限下，汇聚与集成的相对优劣呈现出清晰的相变行为： - 在双侧欠参数化区间（$\gamma < 1/2$），误差比等于 $\frac{1-\gamma}{1-2\gamma} > 1$，汇聚保持显著优势； - 在双侧过参数化区间（$\gamma > 1$），只要信噪比满足特定阈值，汇聚模型依然胜出； - 唯独在中间带 $\gamma \in (1/2, 1)$ 尤其是 $\gamma \approx 1$ 处，汇聚模型遭遇了样本量等于特征维度的「插值奇点（Interpolation Threshold）」，方差急剧发散；而此时集成基学习器的有效维度样本比已处于过参数化区间（$\gamma_\ell \approx 2$），凭借高维投影的隐式正则化效应平抑了方差，从而成为集成唯一胜出的特殊窗口。

损失函数 / 训练策略¶

训练目标基于带集群特异正则化强度的平方误差损失： - 汇聚预测器在全量数据集上优化： $$\mathcal{L}_{\rm pool}(\boldsymbol{\beta}) = \frac{1}{n} \|\mathbf{Y}_{\rm pool} - \mathbb{X}_{\rm pool} \boldsymbol{\beta}\|_2^2 + \rho_0 \|\boldsymbol{\beta}\|_2^2$$ - 集群独立基预测器在各自分区数据上分别优化： $$\mathcal{L}_\ell(\boldsymbol{\beta}) = \frac{1}{n_\ell} \|\mathbf{Y}_\ell - \mathbb{X}_\ell \boldsymbol{\beta}\|_2^2 + \rho_\ell \|\boldsymbol{\beta}\|_2^2, \quad \ell = 1, \ldots, K$$ - 正则化调优策略：在仿真与实证中，对每个学习器分别采用基于留一交叉验证（Leave-One-Out CV，通过 RidgeCV 实现）在对数网格 $[10^{-6}, 10^6]$ 上独立搜索最优惩罚参数；无岭回归解则采用 SVD 截断伪逆（numpy.linalg.lstsq）以确保数值稳定性。

实验关键数据¶

主实验¶

仿真实验设定总训练样本量 $n = 2000$，划分为 $K = 2$ 个等大集群（$n_1 = n_2 = 1000$）。测试集包含独立抽取的 $n_{\rm test} = 1000$ 个标准多元高斯样本，真实系数归一化为 $\|\boldsymbol{\beta}\| = 1$，噪声标准差 $\sigma = 1/\sqrt{5}$（信噪比 $\mathrm{SNR} = 5$）。维度 $p$ 遍历 250 至 6000 之间的 10 个代表性取值，横跨双侧欠参数化、单侧插值、双侧过参数化等各个体制。

下表给出了在标准均值几何配置下（集群均值夹角 $60^\circ$、范数 $\|\boldsymbol{\mu}_1\|=1, \|\boldsymbol{\mu}_2\|=1$），岭回归（Ridge）与无岭回归（Ridgeless）在不同维度样本比下的 MSE 表现及均方误差比值（Ensemble / Pooled，100 次独立重复均值与 95% 置信区间）：

维度 $p$	汇聚纵横比 $\gamma=p/n$	集群纵横比 $\gamma_\ell=p/n_\ell$	所处参数化体制	岭回归 MSE (汇聚 / 集成)	岭回归比值 (Ens/Pool)	无岭回归 MSE (汇聚 / 集成)	无岭回归比值 (Ens/Pool)
250	0.125	0.25	双侧深度欠参数化	0.048 / 0.056	1.167 (±0.008)	0.049 / 0.057	1.163 (理论值 1.167)
500	0.250	0.50	双侧中度欠参数化	0.092 / 0.121	1.315 (±0.012)	0.098 / 0.147	1.500 (理论值 1.500)
750	0.375	0.75	接近集成插值峰	0.134 / 0.198	1.478 (±0.015)	0.162 / 0.405	2.500 (理论值 2.500)
1050	0.525	1.05	集成刚跨过插值阈值	0.181 / 0.276	1.525 (±0.016)	0.264 / 2.148	8.136 (集成方差剧烈发散)
1500	0.750	1.50	汇聚接近插值/集成过参数	0.239 / 0.365	1.527 (±0.014)	0.591 / 0.443	0.749 (集成凭借隐式正则反超)
2050	1.025	2.05	汇聚处于插值阈值峰值	0.298 / 0.442	1.483 (±0.013)	9.852 / 0.312	0.032 (汇聚方差峰值达集成 4 倍)
3000	1.500	3.00	双侧过参数化初期	0.384 / 0.526	1.370 (±0.011)	0.428 / 0.359	0.839 (比值逐步向 1 恢复)
4000	2.000	4.00	双侧过参数化平缓区	0.452 / 0.583	1.290 (±0.009)	0.485 / 0.441	0.909 (两方法逐步靠拢)
5000	2.500	5.00	深度过参数化区	0.508 / 0.625	1.230 (±0.008)	0.536 / 0.509	0.950 (两方法趋近无信息界)
6000	3.000	6.00	渐近极限区	0.551 / 0.656	1.191 (±0.007)	0.573 / 0.556	0.970 (最终均收敛至零风险)

消融实验¶

为了检验集群间的协变量几何差异（均值偏移角度、相对范数大小）以及分区策略是否会改变汇聚与集成的相对优劣，作者在 $p \in [250, 6000]$ 的全区间内进行了三组关键消融验证：

评估配置	几何参数调节	数据划分机制	岭回归比值变化范围	无岭回归相变规律	显著性与核心结论
配置一：固定夹角，调节范数	夹角固定 $60^\circ$；$\\|\boldsymbol{\mu}_1\\|=1, \\|\boldsymbol{\mu}_2\\| \in \{1, 5, 10\}$	真实集群划分 ($n_1=n_2=1000$)	$[1.06, 1.62]$ (曲线上各点极差 $<0.015$)	双插值峰位置与峰高完全重合	曲线完全重叠，范数非对称性对相对风险无显著影响
配置二：固定范数，调节夹角	范数固定 $\\|\boldsymbol{\mu}_1\\|=\\|\boldsymbol{\mu}_2\\|=1$；夹角 $\in \{30^\circ, 60^\circ, 90^\circ\}$	真实集群划分 ($n_1=n_2=1000$)	$[1.06, 1.62]$ (曲线上各点极差 $<0.012$)	双插值峰位置与峰高完全重合	无论是强对齐还是完全正交，误差比率曲线严格重合
配置三：虚假随机分区消融	沿用两集群带均值偏移分布生成数据	随机均匀切分两半 (破坏集群结构)	与配置一/二真实集群划分完全重合	与配置一/二真实集群划分完全重合	证明是否沿真实集群边界切分对泛化风险毫无贡献
配置四：无集群单源基准消融	单源各向同性高斯，无均值偏移	随机均分两半训练集成基学习器	原始 MSE 及比值与带集群实验完全一致	原始 MSE 及比值与带集群实验完全一致	协变量异质性本身在对比中隐形，纵横比是唯一决定性变量

关键发现¶

有正则化时汇聚具有全局统治力：当使用交叉验证独立调优各学习器的岭惩罚 $\lambda > 0$ 时，在所有特征维度 $p$ 下，汇聚学习器的 MSE 均严格低于集成学习器，误差比率稳定在 1.06 至 1.62 之间。岭正则化完全熨平了插值奇点处的方差尖峰，集成策略在任何区间都未能带来收益。
无岭回归的双峰结构与局部反超：在 $\lambda = 0$ 时，系统展现出两个独立的方差尖峰：集群基学习器在 $p = 1000$ 处插值发散，汇聚学习器在 $p = 2000$ 处插值发散。集成的最差峰值误差仅为汇聚最差峰值误差的约四分之一；当 $p \in (1000, 2000)$ 时，集成学习器由于提前进入过参数化区间而获得更低的方差，这是集成胜过汇聚的唯一场景。
几何无关性与有效纵横比假说：改变集群均值间的夹角（从 $30^\circ$ 到 $90^\circ$）或模长倍数（从 1 到 10）对预测均方误差及其相对比率的影响均落在 95% 置信区间之内。更关键的是，哪怕采用随机分区打乱真实集群，结果亦无毫厘之差。这表明在纯协变量偏移下，数据划分带来的影响纯粹是改变了有效维度样本比 $p/n_\ell$，而非利用了分布的几何结构。

亮点与洞察¶

颠覆了「异质数据应先划分再集成」的经验直觉：在文献中，多源数据集成常被视为对抗分布偏移的通用银弹。本文给出了清晰的理论边界：若异质性仅存在于协变量分布而未改变真实回归参数（无概念漂移），则人为按集群切分数据会直接削减有效样本量，导致统计方差显著上升；经过最优调优的汇聚模型在理论上全局更优。
澄清了集成的本质是「隐式过参数化正则」而非「分布自适应」：无岭集成仅在全量数据处于插值奇点时展现出短暂优势。这一增益的来源并非集成适应了集群结构（因为随机划分也能取得相同效果），而是子模型更小的样本量使其更早跨过 $p=n_\ell$ 阈值，进入了具有平滑效应的良性过拟合（Benign Overfitting）区域。
完备的高维随机矩阵分析工具：针对带非零均值偏移的样本协方差矩阵，将留二法（Leave-Two-Out）成功推广到预解矩阵交叉二次型的阶数控制中，严格给出了固定效应与随机效应下的渐近等价形式，为后续分析更复杂的高维非中心数据提供了严谨的数学范式。

局限与展望¶

模型设定局限于线性且无概念漂移：论文基于完全正确的线性结果模型 $y = \boldsymbol{\beta}^\top \boldsymbol{x} + \varepsilon$，假定所有集群具有统一的真实系数 $\boldsymbol{\beta}$ 与同质噪声方差 $\sigma_\varepsilon^2$。若集群间存在真实的回归函数漂移（Concept Shift）或模型存在严重误设，集成的权重分配机制可能展现出完全不同的鲁棒性优势。
未覆盖非线性表征与深度模型：虽然高维渐近线性分析常作为理解现代机器学习的理论试金石，但在深度神经网络等高度非凸、多层特征表征学习的场景下，跨集群汇聚是否存在特征表示层面的干扰或灾难性遗忘，仍有待更深入的理论拓展。
固定效应下的最优自适应权重估计仍属开放问题：在固定效应设定下，理论最优权重依赖于未知的集群均值结构及其与真实参数 $\boldsymbol{\beta}$ 的内积，在高维比例体制下直接从有限样本中无偏估计这些几何量依然充满统计挑战。

评分¶

新颖性: ⭐⭐⭐⭐⭐ [首次严格解析了纯协变量偏移下汇聚与集成的渐近风险，打破了异质数据盲目集成的思维定式]
实验充分度: ⭐⭐⭐⭐⭐ [详尽的仿真涵盖多重维度样本比、几何夹角、范数非对称性及破坏性随机划分消融]
写作质量: ⭐⭐⭐⭐⭐ [数学推导严密精湛，留二法解耦论证扎实，理论与仿真现象解释逻辑严密通透]
价值: ⭐⭐⭐⭐⭐ [为多源数据合并训练、联邦学习汇聚准则及高维集成理论提供了清晰的分析工具与基石结论]

评估配置	几何参数调节	数据划分机制	岭回归比值变化范围	无岭回归相变规律	显著性与核心结论
配置一：固定夹角，调节范数	夹角固定 \(60^\circ\)；\(\\|\boldsymbol{\mu}_1\\|=1, \\|\boldsymbol{\mu}_2\\| \in \{1, 5, 10\}\)	真实集群划分 (\(n_1=n_2=1000\))	\([1.06, 1.62]\) (曲线上各点极差 \(<0.015\))	双插值峰位置与峰高完全重合	曲线完全重叠，范数非对称性对相对风险无显著影响
配置二：固定范数，调节夹角	范数固定 \(\\|\boldsymbol{\mu}_1\\|=\\|\boldsymbol{\mu}_2\\|=1\)；夹角 \(\in \{30^\circ, 60^\circ, 90^\circ\}\)	真实集群划分 (\(n_1=n_2=1000\))	\([1.06, 1.62]\) (曲线上各点极差 \(<0.012\))	双插值峰位置与峰高完全重合	无论是强对齐还是完全正交，误差比率曲线严格重合
配置三：虚假随机分区消融	沿用两集群带均值偏移分布生成数据	随机均匀切分两半 (破坏集群结构)	与配置一/二真实集群划分完全重合	与配置一/二真实集群划分完全重合	证明是否沿真实集群边界切分对泛化风险毫无贡献
配置四：无集群单源基准消融	单源各向同性高斯，无均值偏移	随机均分两半训练集成基学习器	原始 MSE 及比值与带集群实验完全一致	原始 MSE 及比值与带集群实验完全一致	协变量异质性本身在对比中隐形，纵横比是唯一决定性变量