Resumo

KARANEVICH, Alex G.; HE, Jianghua  e  GAJEWSKI, Byron J. Usando un anclaje para mejorar predicciones lineales con aplicación a la predicción de progresión de enfermedad. Rev.Colomb.Estad. [online]. 2018, vol.41, n.2, pp.137-155. ISSN 0120-1751.  https://doi.org/10.15446/rce.v41n2.68535.

Modelos lineales son los modelos más fáciles de usar y comunes en modelamiento. Si se considera el modelamiento de una respuesta aproximadamente 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 inicio 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, inferior 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 hay pocos 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.

Palavras-chave : modelos lineales; regresión sesgada; anclaje; esclerosis lateral amiotrófica; mínimos cuadrados ordinarios.

        · resumo em Inglês     · texto em Inglês     · Inglês ( pdf )