SciELO - Scientific Electronic Library Online

vol.41 issue2Form-Invariance of the Non-Regular Exponential Family of Distributions author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand



Related links

  • On index processCited by Google
  • Have no similar articlesSimilars in SciELO
  • On index processSimilars in Google


Revista Colombiana de Estadística

Print version ISSN 0120-1751

Rev.Colomb.Estad. vol.41 no.2 Bogotá July/Dec. 2018 

Artículos originales de investigación

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

Usando un anclaje para mejorar predicciones lineales con aplicación a la predicción de progresión de enfermedad

Alex G. Karanevich1  a  , Jianghua He1  b  , Byron J Gajewski1  c 

1 Department of Biostatistics, University of Kansas Medical Center, Kansas City, United States


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 additional assumed 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 effective 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.

Key words: Linear models; biased regression; anchor; amyotrophic lateral sclerosis; ordinary least squares


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.

Palabras-clave: modelos lineales; regresión sesgada; anclaje; esclerosis lateral amiotrófica; mínimos cuadrados ordinarios

Full text available only in PDF format.


Amemiya, T. (1973), ' Regression analysis when the dependent variable is truncated normal', Econometrica 41(6), 997-1016. [ Links ]

Armon, C., Graves, M., Moses, D., Forté, D., Sepulveda, L., Darby, S. & Smith, R. (2000), `Linear estimates of disease progression predict survival in patients with amyotrophic lateral sclerosis', Muscle & Nerve 23(6), 874-882. [ Links ]

Atassi, N., Berry, J., Shui, A., Zach, N., Sherman, A., Sinani, E., Walker, J., Katsovskiy, I., Schoenfeld, D., Cudkowicz, M. & Leitner, M. (2014), `The proact database: design, initial analyses, and predictive features.', Neurology 83(19), 1719-1725. [ Links ]

Caruana, R., Lou, Y., Gehrke, J., Koch, P., Sturm, M. & Elhadad, N. (2015), Intelligible models for healthcare: Predicting pneumonia risk and hospital 30-day readmission, in `Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining', ACM, pp. 1721-1730. [ Links ]

Cedarbaum, J., Stambler, N., Malta, E., Fuller, C., Hilt, D., Thurmond, B. & Nakanishi, A. (1999), `The alsfrs-r: a revised als functional rating scale that incorporates assessments of respiratory function', Journal of the Neurological Sciences 169(1), 13-21. [ Links ]

Gelman, A. (2014), Bayesian data analysis, tercera edn, CRC Press, Boca Raton, FL. [ Links ]

Hoerl, A. & Kennard, R. (2000), `Ridge regression: Biased estimation for nonorthogonal problems', Technometrics 42(1), 80-86. [ Links ]

Karanevich, A., Statland, J., Gajewski, B. & He, J. (2018), `Using an onsetanchored bayesian hierarchical model to improve predictions for amyotrophic lateral sclerosis disease progression', BMC Medical Research Methodology 18(1), 19. [ Links ]

Kutner, M., Nachtsheim, C. & Neter, J. (2004), Applied linear regression models, cuarta edn, McGraw-Hill, New York. [ Links ]

Lesaffre, E., Rizopoulos, D. & Tsonaka, R. (2007), `The logistic transform for bounded outcome scores', Biostatistics 8(1), 72-85. [ Links ]

Magnus, T., Beck, M., Giess, R., Puls, I., Naumann, M. & Toyka, K. (2002), `Disease progression in amyotrophic lateral sclerosis: Predictors of survival', Muscle & Nerve 25(5), 709-714. [ Links ]

Morris, C. & Lysy, M. (2012), `Shrinkage estimation in multilevel normal models', Statistical Science 27(1), 115-134. [ Links ]

Received: October 2017; Accepted: March 2018

a E-mail:

b E-mail:

c E-mail:

Creative Commons License This is an open-access article distributed under the terms of the Creative Commons Attribution License