Supongamos que es un investigador / econométrico de ciencias sociales que intenta encontrar predictores relevantes de la demanda de un servicio. Tiene 2 variables de resultado / dependientes que describen la demanda (utilizando el servicio sí / no y el número de ocasiones). Tiene 10 variables predictoras / independientes que podrían explicar teóricamente la demanda (por ejemplo, edad, sexo, ingresos, precio, raza, etc.). Ejecutar dos regresiones múltiples separadas producirá 20 estimaciones de coeficientes y sus valores p. Con suficientes variables independientes en sus regresiones, tarde o temprano encontrará al menos una variable con una correlación estadísticamente significativa entre las variables dependientes e independientes.
Mi pregunta: ¿es una buena idea corregir los valores p para múltiples pruebas si quiero incluir todas las variables independientes en la regresión? Cualquier referencia a trabajos anteriores es muy apreciada.
Respuestas:
Parece que su pregunta generalmente aborda el problema de identificar buenos predictores. En este caso, debe considerar usar algún tipo de regresión penalizada (los métodos que se ocupan de la selección de variables o características también son relevantes), por ejemplo, con penalizaciones L1, L2 (o una combinación de ellas, la llamada red elástica ) (busque preguntas relacionadas en este sitio, o el paquete R penalizado y elástico , entre otros).
Ahora, sobre la corrección de los valores p para sus coeficientes de regresión (o, de manera equivalente, sus coeficientes de correlación parciales) para proteger contra el exceso de optimismo (por ejemplo, con Bonferroni o, mejor, métodos reductores), parece que esto solo sería relevante si está considerando un modelo y busque los predictores que contribuyen con una parte significativa de la varianza explicada, es decir, si no realiza la selección del modelo (con selección por pasos o pruebas jerárquicas). Este artículo puede ser un buen comienzo: ajustes de Bonferroni en pruebas de coeficientes de regresión . Tenga en cuenta que dicha corrección no lo protegerá contra el problema de multicolinealidad, que afecta los valores p informados.
Teniendo en cuenta sus datos, recomendaría utilizar algún tipo de técnicas de selección de modelos iterativos. En R, por ejemplo, laR2
stepAICfunción permite realizar una selección de modelo por pasos por AIC exacto. También puede estimar la importancia relativa de sus predictores en función de su contribución a utilizando boostrap (consulte el paquete relaimpo ). Creo que informar la medida del tamaño del efecto o el% de la varianza explicada son más informativos que el valor p, especialmente en un modelo confirmatorio.Cabe señalar que los enfoques escalonados también tienen sus inconvenientes (por ejemplo, las pruebas de Wald no están adaptadas a hipótesis condicionales como las inducidas por el procedimiento escalonado), o según lo indicado por Frank Harrell en el correo R , "la selección variable escalonada basada en AIC tiene todos los problemas de selección de variables escalonadas basadas en valores P. El AIC es solo una reexpresión del valor P "(pero el AIC sigue siendo útil si el conjunto de predictores ya está definido); una pregunta relacionada: ¿es una variable significativa en un modelo de regresión lineal? - planteó comentarios interesantes ( @Rob , entre otros) sobre el uso de AIC para la selección de variables. Adjunto un par de referencias al final (incluidos los documentos amablemente proporcionados por @Stephan); También hay muchas otras referencias en P.Mean .
Frank Harrell escribió un libro sobre Estrategia de modelado de regresión que incluye mucha discusión y consejos sobre este problema (§4.3, pp. 56-60). También desarrolló rutinas R eficientes para lidiar con modelos lineales generalizados (Ver el diseño o paquetes rms ). Entonces, creo que definitivamente debes echarle un vistazo (sus folletos están disponibles en su página de inicio).
Referencias
step.adj()en el paquete R someMTP .fuente
En gran medida, puede hacer lo que quiera, siempre que tenga suficientes datos al azar para probar cualquier modelo con el que se base en los datos retenidos. Una división del 50% puede ser una buena idea. Sí, pierde la capacidad de detectar relaciones, pero lo que gana es enorme; a saber, la capacidad de replicar su trabajo antes de que se publique. No importa cuán sofisticadas sean las técnicas estadísticas que aplique, se sorprenderá de cuántos predictores "significativos" terminan siendo completamente inútiles cuando se aplican a los datos de confirmación.
Tenga en cuenta también que "relevante" para la predicción significa más que un valor p bajo. Después de todo, eso solo significa que es probable que una relación encontrada en este conjunto de datos en particular no se deba al azar. Para la predicción, en realidad es más importante encontrar las variables que ejercen una influencia sustancial en la predicción (sin ajustar demasiado el modelo); es decir, para encontrar las variables que probablemente sean "reales" y, cuando varían en un rango razonable de valores (¡no solo los valores que pueden aparecer en su muestra!), hacen que la predicción varíe de manera apreciable. Cuando tiene datos de retención para confirmar un modelo, puede sentirse más cómodo reteniendo provisionalmente variables marginalmente "significativas" que podrían no tener valores p bajos.
Por estas razones (y basándose en la buena respuesta de chl), aunque he encontrado modelos paso a paso, comparaciones de AIC y correcciones de Bonferroni bastante útiles (especialmente con cientos o miles de posibles predictores en juego), estos no deberían ser los únicos determinantes de qué variables Ingrese su modelo. Tampoco pierda de vista la orientación brindada por la teoría: las variables que tienen una fuerte justificación teórica para estar en un modelo generalmente deben mantenerse, incluso cuando no son significativas, siempre que no creen ecuaciones mal condicionadas ( por ejemplo, colinealidad) .
NB : Después de que se haya decidido por un modelo y haya confirmado su utilidad con los datos retenidos, está bien recombinar los datos retenidos con los datos retenidos para la estimación final. Por lo tanto, no se pierde nada en términos de precisión con la que puede estimar los coeficientes del modelo.
fuente
Creo que esta es una muy buena pregunta; llega al corazón del polémico "problema" de pruebas múltiples que afecta a campos que van desde la epidemiología hasta la econometría. Después de todo, ¿cómo podemos sabemos si el significado que encontramos es falsa o no? ¿Qué tan cierto es nuestro modelo multivariable?
En términos de enfoques técnicos para compensar la probabilidad de publicar variables de ruido, estoy totalmente de acuerdo con 'whuber' en que usar una parte de su muestra como datos de entrenamiento y el resto como datos de prueba es una buena idea. Este es un enfoque que se discute en la literatura técnica, por lo que si se toma el tiempo, probablemente pueda encontrar algunas buenas pautas sobre cuándo y cómo usarlo.
Pero para atacar más directamente la filosofía de las pruebas múltiples, le sugiero que lea los artículos a los que me refiero a continuación, algunos de los cuales respaldan la posición de que el ajuste para las pruebas múltiples a menudo es perjudicial (poder de costos), innecesario e incluso puede ser una falacia lógica. . Por mi parte, no acepto automáticamente la afirmación de que nuestra capacidad de investigar un predictor potencial se reduce inexorablemente por la investigación de otro. La tasa de error Tipo 1 a nivel familiar puede aumentar a medida que incluimos más predictores en un modelo dado, pero siempre que no superemos los límites del tamaño de nuestra muestra, la probabilidad de error Tipo 1 para cada individuoel predictor es constante; y el control del error familiar no ilumina qué variable específica es el ruido y cuál no. Por supuesto, también hay contraargumentos convincentes.
Por lo tanto, siempre y cuando limite su lista de variables potenciales a aquellas que sean plausibles (es decir, hubieran conocido las vías hacia el resultado), el riesgo de espuria ya se maneja bastante bien.
Sin embargo, agregaría que un modelo predictivo no está tan preocupado por el "valor de verdad" de sus predictores como un modelo causal ; Puede haber una gran confusión en el modelo, pero siempre que expliquemos un gran grado de la variación, no nos preocuparemos demasiado. Esto facilita el trabajo, al menos en un sentido.
Salud,
Brenden, consultor bioestadístico
PD: es posible que desee hacer una regresión de Poisson inflada a cero para los datos que describe, en lugar de dos regresiones separadas.
fuente
Hay buenas respuestas aquí. Permítanme agregar un par de pequeños puntos que no veo cubiertos en otra parte.
Primero, ¿cuál es la naturaleza de sus variables de respuesta? Más específicamente, ¿se entienden relacionados entre sí? Solo debe hacer dos regresiones múltiples separadas si se entiende que son independientes (teóricamente) / si los residuos de los dos modelos son independientes (empíricamente). De lo contrario, debe considerar una regresión multivariada. ('Multivariante' significa> 1 variable de respuesta; 'múltiple' significa> 1 variable predictiva).
fuente
Puede hacer una regresión aparentemente no relacionada y usar una prueba F. Ponga sus datos en una forma como esta:
para que los predictores para su primer resultado tengan sus valores cuando ese resultado sea la variable y y 0 en caso contrario y viceversa. Entonces su y es una lista de ambos resultados. P11 y P12 son los dos predictores para el primer resultado y P21 y P22 son los dos predictores para el segundo resultado. Si el sexo, por ejemplo, es un predictor para ambos resultados, su uso para predecir el resultado 1 debe estar en una variable / columna separada al predecir el resultado 2. Esto permite que su regresión tenga diferentes pendientes / impactos para el sexo para cada resultado.
En este marco, puede utilizar los procedimientos de prueba estándar de F.
fuente