本文主要譯自：Restricted cubic splines， 翻譯加上自己的了解，整理如下。
在統計學裡，splines 技術用來對變量進行轉換。有時候我們會将連續性變量轉化為分類變量（啞變量化），因為該連續性變量與結局變量之間的線性關系比較差。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适的界值轉化為分類變量。然而，很多大佬并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标題是 Avoiding Categorization，并指出推薦使用splines 技巧。很多大佬都認為 categorizing (which is the dummy variable method) isn’t a good method. 轉為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（損失了大量方差資訊），第二是會出現跳躍（界點附近的跳躍會使模型拟合變差）。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。
處理非線性關系的方法有很多，rms包中rms.trans提供的方法就有好幾種，其中RCS是最常用的政策，以下表格進行了大緻彙總：
RCS有個問題：選擇多少個knots（節點）以及選擇哪些位置作為 knots。Frank Harrell 教授的推薦如下：
N<100 時，選擇4個knots，分别標明在：5%, 35%, 65% 和 95% 這4個百分位點處。
N≥100 時，選擇5個knots，分别標明在：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（恢複方差），效果：
解決“跳躍”問題（界點前後保持連續），即采用 restricted linear spline 變換，效果：
用曲線技術平滑化（多項式平滑），效果：
筆者曾試圖自己寫函數變換（包括多項式變換、指數變換等）進行預處理，但是比較麻煩，需要預先評估變換的類型，而RCS這種方式，通常都比較有效，還是回歸到用RCS政策吧。
RCS相關的工具包：rms包的rcs函數、splines包的bs函數等。
參考資料
Restricted cubic splines
Frank Harrell. Regression Modeling Strategies. Springer
Restricted Cubic Spline Regression: A Brief Introduction