Słownik metodologiczny · Regresja

Metoda eliminacji wstecznej (analiza regresji)

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Metoda eliminacji wstecznej (analiza regresji)

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Metoda eliminacji wstecznej (analiza regresji)?

Eliminacja wsteczna rozpoczyna od pełnego modelu kandydatów i kolejno usuwa predyktory spełniające ustalone kryterium usunięcia.
Co odróżnia to pojęcie? Eliminacja wsteczna zaczyna od pełnego, wcześniej określonego zbioru predyktorów i usuwa po jednym składniku spełniającym kryterium usunięcia. Każdy krok jest warunkowy względem aktualnego modelu, więc kolejność i wynik zależą od współliniowości. Metoda wymaga próbki walidacyjnej lub resamplingu; wartości p i R² po selekcji są zbyt optymistyczne, jeśli raportuje się je jak z modelu zadanego z góry.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Zaczynaj od pełnego modelu i oceniaj stabilność kolejnych usunięć w resamplingu lub na danych walidacyjnych.

Eliminacja wsteczna zaczyna od pełnego, merytorycznie dopuszczalnego modelu, dlatego wymaga wystarczającej liczby obserwacji dla wszystkich kandydatów. Po selekcji oceń stabilność zestawu predyktorów w resamplingu i walidacji; standardowe p z końcowego modelu nie uwzględniają niepewności procesu wyboru.

Jak poprawnie stosować i interpretować hasło „Metoda eliminacji wstecznej (analiza regresji)”?

W przypadku pojęcia „Metoda eliminacji wstecznej (analiza regresji)” kluczowa jest reguła określająca, które predyktory wchodzą do modelu i w jakiej kolejności. Przy ocenie hasła „Metoda eliminacji wstecznej (analiza regresji)” kolejność powinna wynikać z teorii, projektu albo jawnego celu predykcyjnego. W analizie dotyczącej hasła „Metoda eliminacji wstecznej (analiza regresji)” automatyczny wybór na podstawie wartości p wykorzystuje przypadkowość tej samej próby i może dawać zbyt optymistyczne współczynniki oraz niestabilny zestaw zmiennych.

Ocena pojęcia „Metoda eliminacji wstecznej (analiza regresji)” wymaga porównania stabilności wyboru w resamplingu lub nowych danych. Dla interpretacji hasła „Metoda eliminacji wstecznej (analiza regresji)” predyktory potrzebne do kontroli zakłócenia nie powinny znikać tylko dlatego, że nie osiągają progu istotności. W odniesieniu do hasła „Metoda eliminacji wstecznej (analiza regresji)” dla modeli zagnieżdżonych można porównać zmianę R² lub kryterium informacyjne, ale decyzja nadal musi odpowiadać wcześniej zdefiniowanemu pytaniu.

Co trzeba opisać w raporcie?

Raport dotyczący „Metoda eliminacji wstecznej (analiza regresji)” powinien dokładnie opisać bloki, kolejność, kryteria wejścia lub usunięcia i pełną listę rozważanych predyktorów. Przy ocenie hasła „Metoda eliminacji wstecznej (analiza regresji)” należy pokazać wynik modeli pośrednich, a analizę po selekcji oznaczyć jako obciążoną procesem wyboru. W analizie dotyczącej hasła „Metoda eliminacji wstecznej (analiza regresji)” w projekcie predykcyjnym podaje się jakość na danych walidacyjnych.

Zakres raportowania dla hasła „Metoda eliminacji wstecznej (analiza regresji)”: Opisz pełny zbiór kandydatów, kryterium selekcji i walidację.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Model rozpoczęto od 12 wcześniej wybranych predyktorów, a eliminacja wsteczna pozostawiła 5. W bootstrapie dwa z nich znikały w ponad połowie prób, co ujawniło niestabilność końcowej specyfikacji.

Jak ją zinterpretować: Końcowy zestaw predyktorów jest wynikiem reguły selekcji w tej próbie, więc jego współczynniki i p są zbyt optymistyczne bez korekty. Stabilność należy ocenić resamplingiem lub na nowych danych.

Najczęstsza pułapka i granica interpretacji

Usuwanie na podstawie p bez walidacji daje zbyt optymistyczne współczynniki i niepewność.

Model uzyskany przez „Metoda eliminacji wstecznej (analiza regresji)” nie identyfikuje automatycznie „najważniejszych przyczyn”. Dla interpretacji hasła „Metoda eliminacji wstecznej (analiza regresji)” zmiana próby może wybrać inny zestaw zmiennych, a nieuwzględniona niepewność selekcji prowadzi do zbyt wąskich przedziałów i zbyt małych wartości p.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Collins et al., 2024).

Powiązane hasła

Metoda krokowa (analiza regresji)Metoda selekcji postępującej (analiza regresji)Metoda usuwania (analiza regresji)Reszty regresjiMetoda najmniejszych kwadratówData mining

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →Poradnik

Modelowanie równań strukturalnych (SEM): od teorii do raportu

SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., Van Calster, B., Ghassemi, M., Liu, X., Reitsma, J. B., van Smeden, M., Boulesteix, A.-L., Camaradou, J. C., Celi, L. A., Denaxas, S., Denniston, A. K., Glocker, B., Golub, R. M., Harvey, H., Heinze, G., … Logullo, P. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378
  2. Peduzzi, P., Concato, J., Kemper, E., Holford, T. R., & Feinstein, A. R. (1996). A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology, 49(12), 1373–1379. https://doi.org/10.1016/S0895-4356(96)00236-3
  3. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
  4. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267
  5. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  6. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594

Cytowania BibTeX

@article{collins2024tripod, author={Collins, Gary S. and Moons, Karel G. M. and Dhiman, Paula and Riley, Richard D. and Beam, Andrew L. and Van Calster, Ben and Ghassemi, Marzyeh and Liu, Xiaoxuan and Reitsma, Johannes B. and van Smeden, Maarten and Boulesteix, Anne-Laure and Camaradou, Jennifer Catherine and Celi, Leo Anthony and Denaxas, Spiros and Denniston, Alastair K. and Glocker, Ben and Golub, Robert M. and Harvey, Hugh and Heinze, Georg and Hoffman, Michael M. and Kengne, André Pascal and Lam, Emily and Lee, Naomi and Loder, Elizabeth W. and Maier-Hein, Lena and Mateen, Bilal A. and McCradden, Melissa D. and Oakden-Rayner, Lauren and Ordish, Johan and Parnell, Richard and Rose, Sherri and Singh, Karandeep and Wynants, Laure and Logullo, Patricia}, title={TRIPOD+AI statement: updated guidance for reporting clinical prediction models}, journal={BMJ}, year={2024}, volume={385}, pages={e078378}, doi={10.1136/bmj-2023-078378}}
@article{peduzzi1996epv, author={Peduzzi, Peter and Concato, John and Kemper, Elizabeth and Holford, Theodore R. and Feinstein, Alvan R.}, title={A simulation study of the number of events per variable in logistic regression analysis}, journal={Journal of Clinical Epidemiology}, year={1996}, volume={49}, number={12}, pages={1373--1379}, doi={10.1016/S0895-4356(96)00236-3}}
@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
@article{lakens2022sample, author={Lakens, Daniël}, title={Sample size justification}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, pages={33267}, doi={10.1525/collabra.33267}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
R