Escudo de la República de Colombia
Sistema Nacional de Biliotecas - Repositorio Institucional Universidad Nacional de Colombia Biblioteca Digital - Repositorio Institucional UN Sistema Nacional de Bibliotecas UN

Using an Anchor to Improve Linear Predictions with Application to Predicting Disease Progression

Karanevich, Alex G. and He, Jianghua and Gajewski, Byron (2018) Using an Anchor to Improve Linear Predictions with Application to Predicting Disease Progression. Revista Colombiana de Estadística, 41 (2). pp. 137-155. ISSN 2389-8976

Texto completo

[img]
Vista previa
PDF - Versión Publicada
Available under License Creative Commons Attribution.

504kB

URL oficial: https://revistas.unal.edu.co/index.php/estad/artic...

Resumen

Linear models are some of the most straightforward and commonly used modelling approaches. Consider modelling approximately monotonic response data arising from a time-related process. If one has knowledge as to when the process began or ended, then one may be able to leverage additionalassumed data to reduce prediction error. This assumed data, referred to as the anchor, is treated as an additional data-point generated at either the beginning or end of the process. The response value of the anchor is equal to an intelligently selected value of the response (such as the upper bound, lower bound, or 99th percentile of the response, as appropriate). The anchor reduces the variance of prediction at the cost of a possible increase in prediction bias, resulting in a potentially reduced overall mean-square prediction error. This can be extremely eective when few individual data-points are available, allowing one to make linear predictions using as little as a single observed data-point. We develop the mathematics showing the conditions under which an anchor can improve predictions, and also demonstrate using this approach to reduce prediction error when modelling the disease progression of patients with amyotrophic lateral sclerosis., Modelos lineales son los modelos más fáciles de usar y comunes en modelamiento. Si se considera el modelamiento de una respuesta aprosimadamente monótona que surge de un proceso relacionado al tiempo y se sabe cuándo el proceso inició o terminó, es posible asumir datos adicionales como palanca para reducir el error de predicción. Estos datos adicionales son llamados de ``anclaje'' y son datos generados antes del inicion o después del final del proceso. El valor de respuesta del anclaje es igual a un valor de respuesta escogido de manera inteligente (como por ejemplo la cota superior, iferior o el percentil 99, según conveniencia). Este anclaje reduce la varianza de la predicción a costo de un posible sesgo en la misma, lo cual resulta en una reducción potencial del error medio de predicción. Lo anterior puede ser extremadamente efectivo cuando haypocos datos individuales, permitiendo hacer predicciones con muy pocos datos. En este trabajo presentamos en desarrollo matemático demostrando las condiciones bajo las cuales el anclaje puede mejorar predicciones y también demostramos una reducción del error de predicción aplicando el método a la modelación de progresión de enfermedad en pacientes con esclerosis lateral amiotrófica.

Tipo de documento:Artículo - Article
Palabras clave:Anclaje, esclerosis lateral amiotrófica, modelos lineales, mínimos cuadrados ordinarios, regresión sesgada, Anchor, Amyotrophic lateral sclerosis, Biased regression, Linear models, Ordinary least squares
Temática:5 Ciencias naturales y matemáticas / Science > 51 Matemáticas / Mathematics
3 Ciencias sociales / Social sciences > 31 Colecciones de estadística general / Statistics
Unidad administrativa:Revistas electrónicas UN > Revista Colombiana de Estadística
Código ID:67515
Enviado por : Dirección Nacional de Bibliotecas STECNICO
Enviado el día :20 Septiembre 2018 19:58
Ultima modificación:20 Septiembre 2018 19:58
Ultima modificación:20 Septiembre 2018 19:58
Exportar:Clic aquí
Estadísticas:Clic aquí
Compartir:

Solamente administradores del repositorio: página de control del ítem

Vicerrectoría de Investigación: Número uno en investigación
Indexado por:
Indexado por Scholar Google WorldCat DRIVER Metabiblioteca OAIster BASE BDCOL Registry of Open Access Repositories SNAAC Red de repositorios latinoamericanos eprints Open archives La referencia Tesis latinoamericanas OpenDOAR CLACSO
Este sitio web se ve mejor en Firefox