Słownik metodologiczny · Regresja

Odległość Mahalanobisa

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

Strona główna / Słownik / Odległość Mahalanobisa

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Odległość Mahalanobisa?

Odległość Mahalanobisa mierzy wielowymiarową odległość punktu od centrum z uwzględnieniem kowariancji zmiennych.

Zastosowanie, warunki i dobre praktyki

D² Mahalanobisa mierzy odległość wektora obserwacji od środka wielowymiarowego rozkładu z uwzględnieniem skal i korelacji. Wynik zależy od stabilnego oszacowania macierzy kowariancji i może być zawodny przy wielu zmiennych, małej próbie lub silnej nienormalności. Duża odległość wskazuje nietypową kombinację cech, a nie automatyczny błąd danych.

Najważniejsze zastosowanie: Wykorzystuj odległość Mahalanobisa do wykrywania nietypowych konfiguracji wielowymiarowych z uwzględnieniem kowariancji zmiennych.

Jak to się oblicza i co oznaczają symbole?

D² = (x − μ)ᵀΣ⁻¹(x − μ)

x jest wektorem obserwacji, μ wektorem średnich, a Σ macierzą kowariancji. Odległość uwzględnia różne skale i korelacje zmiennych, dlatego opisuje wielowymiarową nietypowość.

Jak poprawnie stosować i interpretować hasło „Odległość Mahalanobisa”?

Odległość Mahalanobisa opisuje wielowymiarowe oddalenie obserwacji od środka danych z uwzględnieniem kowariancji między zmiennymi. Dla interpretacji hasła „Odległość Mahalanobisa” punkt może nie być skrajny w żadnej pojedynczej kolumnie, a mimo to tworzyć nietypową kombinację wyników. W odniesieniu do hasła „Odległość Mahalanobisa” wybór zmiennych i sposób oszacowania macierzy kowariancji bezpośrednio wpływają na wartość odległości.

W odniesieniu do hasła „Odległość Mahalanobisa” przed użyciem klasycznych progów trzeba ocenić skalowanie, braki, współliniowość i odporność macierzy kowariancji na obserwacje odstające. Przy ocenie hasła „Odległość Mahalanobisa” przy nienormalności wielowymiarowej lub małej próbie przybliżenie rozkładem chi-kwadrat może być słabe. W analizie dotyczącej hasła „Odległość Mahalanobisa” rekordy należy obejrzeć merytorycznie i sprawdzić w analizie wrażliwości, a nie usuwać mechanicznie.

Co trzeba opisać w raporcie?

W analizie dotyczącej hasła „Odległość Mahalanobisa” raport powinien podać zestaw zmiennych, sposób standaryzacji, liczbę stopni swobody, przyjęte kryterium oraz liczbę wskazanych przypadków. Dla interpretacji hasła „Odległość Mahalanobisa” należy opisać, czy zastosowano klasyczną czy odporną macierz kowariancji i jak potencjalnie nietypowe obserwacje wpłynęły na wynik modelu.

Zakres raportowania dla hasła „Odległość Mahalanobisa”: Podaj kryterium diagnostyczne i analizę wrażliwości.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Osoba nie miała skrajnego wyniku w żadnej pojedynczej zmiennej, lecz nietypowe połączenie wieku, stażu i obciążenia dało dużą D² Mahalanobisa.

Jak ją zinterpretować: Przypadek jest nietypowy jako kombinacja kilku cech, choć każda pojedyncza wartość może wyglądać zwyczajnie. Interpretacja zależy od stabilnej macierzy kowariancji i nie przesądza, czy obserwacja jest błędna.

Najczęstsza pułapka i granica interpretacji

Próg D² zależy od liczby zmiennych i modelu; nietypowość nie oznacza błędu danych.

W odniesieniu do hasła „Odległość Mahalanobisa” duża odległość Mahalanobisa wskazuje nietypową kombinację wartości, lecz nie mierzy bezpośrednio wpływu rekordu na współczynniki regresji. Przy ocenie hasła „Odległość Mahalanobisa” nie jest również dowodem błędu danych ani uniwersalnym testem jakości całej obserwacji.

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

Powiązane hasła

Reszty regresjiOdległość CookaData miningDummy codingEkonometriaHeterogeniczność wariancji

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