在回归分析中构建可解释函数的一般,灵活和和的框架

科学领域:

• 统计 统计 统计 统计
• 机器学习 机器学习
• 生物统计学 生物统计学

背景情况:

• 模型中的可解释性对于可靠性,透明度和沟通至关重要.
• 定义和评估可解释性仍然是主观的,简单性,准确性和可概括性等因素是关键因素.
• 现有的方法可能无法提供一种统一的方法来构建可解释的函数.

研究的目的:

• 为构建回归分析中的可解释函数提供一个通用,灵活的框架,重点关注连续结果.
• 引入基于马洛斯的Cp统计的新模型选择措施.
• 展示框架在临床试验设计和贝叶斯决策中的应用.

主要方法:

• 以用户对可解释性的期望为指导的功能骨架的制定.
• 开发一种新的模型选择标准,使用马洛斯的cp统计学来平衡近似性,概括性和可解释性.
• 应用该框架来推导适应性临床试验的样本大小公式,并分析贝叶斯Go/No-Go设计中的操作特征.

主要成果:

• 建立了一个新的框架,用于构建可解释的回归模型.
• 为了有效的模型选择,提出了一个新的Mallows's Cp-based统计.
• 该框架已成功应用于适应性临床试验,贝叶斯的Go/No-Go范式,以及对分类结果的假设测试.

结论:

• 拟议的框架为在回归分析中构建可解释函数提供了一种和的方法.
• 新的模型选择措施有助于平衡模型评估的关键方面.
• 该方法在各种统计和生物医学应用中具有广泛的适用性,包括真实世界的数据分析.