借助变量筛选方法可以从复杂的光谱背景下选择部分变量构建定量预测模型,在一定程度上提高建模变量的解释性。然而模型解释性的提高并不意味着建模变量有确切的理化意义。本研究以甘草中红外定量预测模型为载体,解析移动窗口偏最小二乘(mwPLS)、组合间隔偏最小二乘(siPLS)和竞争自适应抽样方法(CARS)三种变量筛选方法所得变量与目标成分化学特征的相关性,比较不同变量筛选方法下所筛变量解释性的差异。结果表明,mwPLS优先筛出黄酮和皂苷两类成分红外光谱上区别明显的苯环骨架振动和皂苷母核上甲基取代基弯曲振动所对应的波段,siPLS筛出了黄酮类成分的(φ)C—O,(φ)CC,(φ)C—H伸缩振动的特征区间组合和皂苷类成分的C—O,C—H,O—H伸缩振动的特征区间组合。相对于以上两种变量筛选方法,CARS筛选得到的变量能够更好地归属于甘草苷和甘草酸在中红外1 000~4 000cm-1特征区的特征峰,而且基于CARS筛选的变量建模,模型的预测性能得到了提高。因此,CARS筛选的变量能实现目标成分红外特征区大部分化学特征的解析,有利于增强模型的解释性。