Słownik metodologiczny · Regresja

Metoda usuwania (analiza regresji)

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

Strona główna / Słownik / Metoda usuwania (analiza regresji)

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Metoda usuwania (analiza regresji)?

Metoda usuwania porównuje model pełny z modelem pozbawionym wcześniej wskazanego predyktora lub bloku zmiennych.
Co odróżnia to pojęcie? Metoda usuwania oznacza zaplanowane odjęcie wskazanego bloku lub konkretnych predyktorów z modelu w celu porównania modeli zagnieżdżonych. Nie musi być automatyczną eliminacją wsteczną. Badacz z góry określa usuwany składnik i ocenia zmianę dopasowania, R² albo kryterium informacyjnego. Taka procedura odpowiada pytaniu o wkład bloku, lecz jej interpretacja nadal zależy od poprawnej hierarchii i teorii.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Przy usuwaniu zmiennych zachowaj predyktory niezbędne do kontroli zakłóceń niezależnie od ich chwilowej wartości p.

Metoda usuwania wprowadza wszystkie wskazane predyktory i usuwa je według ustawionej reguły, dlatego wynik zależy od początkowej listy i arbitralnego kryterium. Zachowaj zmienne niezbędne do kontroli zakłóceń niezależnie od p, a selekcję traktuj jako dodatkowe źródło niepewności.

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

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

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

Przykład praktyczny i gotowa interpretacja

Sytuacja: Z pełnego modelu usunięto zaplanowany blok trzech zmiennych środowiskowych. Spadek R² o .09 odpowiadał pytaniu o ich łączny wkład, a nie automatycznej selekcji pojedynczych kolumn.

Jak ją zinterpretować: Zmiana dopasowania po usunięciu zaplanowanego bloku opisuje jego łączny wkład ponad zmienne pozostawione w modelu. Nie jest to automatyczna selekcja i wymaga porównania modeli zagnieżdżonych na tych samych danych.

Najczęstsza pułapka i granica interpretacji

Usunięcie bloku ma sens tylko wtedy, gdy model zredukowany pozostaje zgodny z hierarchią i pytaniem.

Model uzyskany przez „Metoda usuwania (analiza regresji)” nie identyfikuje automatycznie „najważniejszych przyczyn”. W analizie dotyczącej hasła „Metoda usuwania (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 selekcji postępującej (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