Гайки, спричинені використанням ступінчастої регресії

Я добре знаю проблеми поетапного / вперед / назад вибору в регресійних моделях. Є численні випадки, коли дослідники заперечують методи та вказують на кращі альтернативи. Мені було цікаво, чи є історії, які існують там, де статистичний аналіз:

• застосував ступінчату регресію;
• на основі кінцевої моделі зробили кілька важливих висновків
• висновок був помилковим, що спричинило негативні наслідки для людини, їх досліджень чи організації

Моя думка з цього приводу, якщо поетапні методи погані, то в «реальному світі» повинні бути наслідки їх використання.

Вам задається більше одного питання. Найбільш вузький - це просити приклад того, коли ступінчаста регресія завдала шкоди, оскільки вона була здійснена поетапно. Це, звичайно, вірно, але це може бути встановлено однозначно лише тоді, коли дані, що використовуються для поетапної регресії, також публікуються, і хтось повторно аналізує їх та публікує корекцію рецензованих експертів з опублікованою первинною відмовою авторів. Зробити звинувачення в будь-якому іншому контексті ризикує юридичними діями, і, якщо ми будемо використовувати інший набір даних, ми могли б підозрювати, що була допущена помилка, але "статистика ніколи нічого не доводить", і ми не змогли б встановити, що помилка була зроблено; "поза розумним сумнівом".

Власне кажучи, часто можна отримувати різні результати залежно від того, чи здійснює ступінчасте усунення або поетапне складання рівняння регресії, які дозволяють нам припустити, що жоден підхід не є достатньо правильним, щоб рекомендувати його використання. Зрозуміло, що щось інше відбувається, і це приводить нас до більш широкого питання, також заданого вище, але в кульовій формі, що дорівнює "Які проблеми з поступовою регресією? Як би то не було це питання корисніше?" додала користь, що я не буду пред'являти проти мене судовий позов за відповідь.

Зробити це правильно для поетапного MLR, означає використовувати 1) фізично правильні одиниці (див. Нижче), і 2) відповідне перетворення змінної для найкращих кореляцій та типу розподілу помилок (для гомоскедастичності та фізичності) та 3) використання всіх перестановок змінних комбінацій, не поетапно, всі вони , і 4) якщо проводити вичерпну регресійну діагностику, то можна уникнути пропуску комбінацій змінних високих коефіцієнтів VIF (колінеарності), які в іншому випадку будуть вводити в оману, тоді винагорода краще регресує.

Як було обіцяно для №1 вище, ми далі вивчимо правильні одиниці для фізичної системи. Оскільки хороші результати регресії залежать від правильного поводження зі змінними, ми повинні пам’ятати про звичайні розміри фізичних одиниць і балансувати наші рівняння відповідним чином. Крім того, для біологічних застосувань потрібно усвідомлення та облік розмірності аллометричного масштабування .

Прочитайте цей приклад фізичного дослідження біологічної системи щодо того, як розширити балансування одиниць до біології. У цьому документі наведено етапи 1) - 4) вище, і найкраща формула була знайдена за допомогою розширеного регресійного аналізу, а саме , де - швидкість клубочкової фільтрації. , маркер катаболізму, де одиниці розуміють за допомогою фрактальної геометрії таким чином, що , вага був чотиривимірною фрактальною геометричною конструкцією , а V, об'єм, називався евклідовою, або тривимірною змінною. Тоді$GFR=k∗W^{1/4}V^{2/3}$$GFR$$W$$1=\frac{1}{4} \frac{4}{3}+\frac{2}{3}$. Так що формула розмірно відповідає метаболізму. Це не просте твердження. Вважайте, що 1) Зазвичай не оцінено (невідомо), що є маркером метаболізму. 2) Фрактальну геометрію викладають лише нечасто, і фізичне тлумачення представленої формули важко зрозуміти навіть тому, хто має математичну підготовку.$GFR$