Słownik metodologiczny · Regresja

Metoda selekcji postępującej (analiza regresji)

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

Strona główna / Słownik / Metoda selekcji postępującej (analiza regresji)

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Metoda selekcji postępującej (analiza regresji)?

Selekcja postępująca zaczyna od modelu minimalnego i dodaje kolejno predyktory najbardziej poprawiające wybrane kryterium.
Co odróżnia to pojęcie? Selekcja postępująca rozpoczyna od modelu minimalnego i dodaje kolejno predyktory najlepiej poprawiające ustalone kryterium. Predyktor raz dodany zwykle pozostaje w modelu, co odróżnia procedurę od dwukierunkowego stepwise. Wynik zależy od listy kandydatów i kolejności remisów. W badaniu wyjaśniającym teoria powinna wyznaczać specyfikację, a selekcję ogranicza się raczej do celu predykcyjnego.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Dodawaj predyktory według ustalonego kryterium wyłącznie w zadaniu predykcyjnym z walidacją, nie jako potwierdzenie teorii.

Selekcja postępująca rozpoczyna od małego modelu i dodaje zmienne według wybranego kryterium, więc może pominąć predyktory przydatne dopiero w obecności innych. Użyj walidacji poza próbą, porównaj alternatywne specyfikacje i nie interpretuj kolejności wejścia jako hierarchii przyczynowej.

Jak poprawnie stosować i interpretować hasło „Metoda selekcji postępującej (analiza regresji)”?

W przypadku pojęcia „Metoda selekcji postępującej (analiza regresji)” kluczowa jest reguła określająca, które predyktory wchodzą do modelu i w jakiej kolejności. W analizie dotyczącej hasła „Metoda selekcji postępującej (analiza regresji)” kolejność powinna wynikać z teorii, projektu albo jawnego celu predykcyjnego. Dla interpretacji hasła „Metoda selekcji postępującej (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 selekcji postępującej (analiza regresji)” wymaga porównania stabilności wyboru w resamplingu lub nowych danych. W odniesieniu do hasła „Metoda selekcji postępującej (analiza regresji)” predyktory potrzebne do kontroli zakłócenia nie powinny znikać tylko dlatego, że nie osiągają progu istotności. Przy ocenie hasła „Metoda selekcji postępującej (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 selekcji postępującej (analiza regresji)” powinien dokładnie opisać bloki, kolejność, kryteria wejścia lub usunięcia i pełną listę rozważanych predyktorów. W analizie dotyczącej hasła „Metoda selekcji postępującej (analiza regresji)” należy pokazać wynik modeli pośrednich, a analizę po selekcji oznaczyć jako obciążoną procesem wyboru. Dla interpretacji hasła „Metoda selekcji postępującej (analiza regresji)” w projekcie predykcyjnym podaje się jakość na danych walidacyjnych.

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

Przykład praktyczny i gotowa interpretacja

Sytuacja: Selekcja postępująca zaczęła od samego wyrazu wolnego i dodawała predyktory według AIC. Zmienna ważna teoretycznie nie weszła, ponieważ jej informację przejął silnie skorelowany wskaźnik.

Jak ją zinterpretować: Predyktory dodane jako pierwsze najlepiej poprawiały kryterium w tej konkretnej próbie, niekoniecznie są najważniejsze teoretycznie. Współliniowość i ponowne dopasowywanie zawyżają pewność, dlatego potrzebna jest walidacja.

Najczęstsza pułapka i granica interpretacji

Predyktor niewybrany przez algorytm może nadal być niezbędnym czynnikiem zakłócającym lub ważnym elementem teorii.

Model uzyskany przez „Metoda selekcji postępującej (analiza regresji)” nie identyfikuje automatycznie „najważniejszych przyczyn”. W odniesieniu do hasła „Metoda selekcji postępującej (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 eliminacji wstecznej (analiza regresji)Metoda krokowa (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