Selección de variable bayesiana para la regresión logística con una covariante binaria clasificada erróneamente

Área de la Ciencia:

• Las estadísticas
• Estadísticas biológicas
• Aprendizaje automático

Sus antecedentes:

• La selección de variables es crucial en el modelado estadístico, especialmente con estructuras de datos complejas.
• Las variables predictoras clasificadas erróneamente pueden introducir sesgo y reducir la precisión del modelo.
• Los métodos bayesianos ofrecen un marco sólido para manejar la incertidumbre en la selección de variables.

Objetivo del estudio:

• Desarrollar un enfoque de selección de variables bayesianas para modelos estadísticos que incorporen un predictor binario mal clasificado.
• Definir e integrar modelos para el predictor latente, su prevalencia y la precisión del clasificador (sensibilidad y especificidad).
• Optimizar el rendimiento del modelo utilizando el método de selección desarrollado.

Principales métodos:

• Se empleó un marco bayesiano para la selección de variables.
• El enfoque modela el resultado, la prevalencia del predictor y el rendimiento del clasificador (sensibilidad/especificidad).
• Se utilizó el muestreo de Gibbs con variables de indicador binario para la selección de variables, identificando el modelo de probabilidad posterior más alto.

Principales resultados:

• El procedimiento de selección de variables bayesianas desarrollado se demostró a través de estudios de simulación.
• El método se aplicó a dos conjuntos de datos del mundo real para optimizar el rendimiento del modelo.
• El modelo de probabilidad posterior más alto se identificó con éxito dados los datos.

Conclusiones:

• El método de selección de variables bayesianas propuesto maneja efectivamente los predictores binarios clasificados erróneamente.
• El enfoque mejora el rendimiento del modelo estadístico mediante la selección de variables óptimas.
• Este método proporciona una herramienta valiosa para los investigadores que se ocupan del error de medición en las variables predictivas.