20/10/2011

Modelos Predictivos

Diferentes metas de modelos de regresin

A. Prediccin
- La meta es minimizar el error de prediccin, no la interpretacin causal de los predictores en el modelo

20/10/2011

B. Asilamiento del efecto de un solo variable

- La meta es entender la asociacin causal de un variable especifica despus de controlar adecuadamente confusin C. Determinando todos los exposiciones independientes y importantes
La meta es usar una forma de escoger cuales variables entran al modelo, entre los mltiples combinaciones posibles, para elucidar relaciones causales complejas

Independiente de la meta
Siempre necesitamos:
Tener una buena pregunta de investigacin, en una poblacin que nos puede dar una respuesta til con el diseo correcto, y recoger bien la informacin de inters Tener informacin previa (nuestros estudios y/o literatura existente) que nos puede ayudar a entender el problema y la relacin entre los variables
DAGs tambin pueden ser til para este proceso

20/10/2011

Para escoger el modelo, tambin hay problemas

Necesitamos escoger bien cual modelo usar Usar una manera apropiada para modelar la exposicin Usar una manera apropiada para modelar confusores Y vincular el modelo escogido con el diseo del estudio

C. Determinando todos los exposiciones independientes y importantes

Puede ser til al principio de tratar de entender un tema Pero es difcil hacer estas modelos, especialmente cuando hay mltiples exposiciones de inters DAGs pueden ser tiles para determinar las relaciones entre los variables Pero siempre hay que ser muy cautelosos con la interpretacin de estas modelos
Es como una fishing expedicion

20/10/2011

B. Asilamiento del efecto de un solo variable

Lo que hemos tratado de promover en sus tesis

En estas modelos es importante recordar que tu variable de inters siempre debe estar presente
AUN si no es significativo! Es tu variable de inters, entonces aun si termina no siendo significativo necesitas incluirlo

B. Asilamiento del efecto de un solo variable

El ejemplo mas fcil de este tipo de modelo de regresin es de un ensayo clnico En un ensayo clnico, hay un variable de inters la intervencin bajo estudio
La diferencia en un EECC es que generalmente no preocupamos mucho por confusores

20/10/2011

B. Asilamiento del efecto de un solo variable

Si estamos usando datos de un estudio observacional
Hay que preocuparnos por confusin y tratar de controlarlo Usamos los mismos tcticas de siempre para identificar confusores potenciales
Literatura sobre el tema DAGs

Pero cuando incluirlos en tu modelo es otro tema

B. Asilamiento del efecto de un solo variable

Generalmente tenemos el problema de que hay muchos confusores y no podemos poner todos en el modelo Hay confusores que por lo general estn aun si no son significativas por validez de cara
Ej. Ajustar por edad

Sobre otros, podemos usar mtodos para determinar cuales realmente deben entrar en el modelo final
LRT Un cambio de 10% en la medida de asociacin de inters

20/10/2011

A. Modelos predictivos
Que son modelos predictivos? http://www.mayoclinic.com/health/heartdisease-risk/HB00047 Usamos los resultados de una base de datos para otra poblacin o para un individuo (como en la calculadora del mayo clnica)

A. Modelos predictivos
Son distintos porque la meta es minimizar error de prediccin Error de prediccin es: una medida que dice que tan bien un modelo puede predecir un desenlace para un grupo de datos nuevos que no fueron utilizados para armar el modelo de prediccin
Tambin llamado precisin de prediccin

20/10/2011

A. Modelos predictivos
Que usamos para ver error de prediccin?
Depende del modelo/desenlace

Modelos continuos/Lineales: R2 ajustado, Mallows Cp Modelo Binario/Logstico: ROC, C-estadstica, PPV/NPV Tiempo-a-evento/Sobrevivencia: D-estadstica

A. Modelos predictivos
Usamos datos para hacer un modelo de regresin
Los datos usados se llaman conjunto de entrenamiento

Guardamos los s del modelo usando el set de entrenamiento Usamos los s en otro grupo de datos y medimos el error de prediccin
Los datos usados se llaman conjunto de validacin

20/10/2011

A. Modelos predictivos
El conjunto de validacion puede ser parte del mismo base de datos que el conjunto de entrenamiento (validacion cruzada)
La mitad O quitando una observacion a la vez

Pero es mejor si el conjunto de validacion es de un base separado

Llegas a validacion externa y transportabilidad