本文主要譯自：Restricted cubic splines， 翻譯加上自己的理解，整理如下。
在統計學裏，splines 技術用來對變量進行轉換。有時候我們會將連續性變量轉化爲分類變量（啞變量化），因爲該連續性變量與結局變量之間的線性關係比較差。比如建立疾病預後模型時，年齡這個變量通常會被通過選取一個合適的界值轉化爲分類變量。然而，很多大佬並不推薦使用分類變量。生統大佬 Frank Harrell 教授在 Regression Modeling Strategies 一書中就有專門一個小標題是 Avoiding Categorization，並指出推薦使用splines 技巧。很多大佬都認爲 categorizing (which is the dummy variable method) isn’t a good method. 轉爲分類變量的這種方法主要有2個缺陷：第一是會壓縮變量的效應（損失了大量方差信息），第二是會出現跳躍（界點附近的跳躍會使模型擬合變差）。Restricted cubic splines (RCS) 可以很好地解決這些問題，但是RCS有個最大的缺陷就是，生物學解釋性較差。
RCS有個問題：選擇多少個knots（節點）以及選擇哪些位置作爲 knots。Frank Harrell 教授的推薦如下：
N<100 時，選擇4個knots，分別選定在：5%, 35%, 65% 和 95% 這4個百分位點處。
N≥100 時，選擇5個knots，分別選定在：5%, 27.5%, 50%, 72.5% 和 95% 這5個百分位點處。
啞變量化（直接轉成分類變量）的效果：
解決“效應壓縮”問題（恢復方差），效果：
解決“跳躍”問題（界點前後保持連續），即採用 restricted linear spline 變換，效果：
用曲線技術平滑化（多項式平滑），效果：
參考資料
Frank Harrell. Regression Modeling Strategies. Springer
Restricted Cubic Spline Regression: A Brief Introduction