Ovrednotenje predpostavke proporcionalnih obetov v ordinalni regresijiGošnjak, Tanja (Avtor) Šinkovec, Hana (Mentor) ordinalna regresijakumulativni regresijski modelmultinomialni modelsorazmerni obetikardiotokografski podatkiOrdinalne odzivne spremenljivke so vse bolj pogoste v klinični praksi, saj ponujajo več informacij kot dihotomni izidi. Odzivna spremenljivka pripada naravno urejenim kategorijam, kot so na primer stopnja bolečine ali stadij bolezni, pri čemer odzivov ni mogoče meriti na številski lestvici. Pri njihovem modeliranju se raziskovalci pogosto soočajo z izbiro med parsimončnimi in fleksibilnimi modeli. Parsimonični modeli temeljijo na manjšem številu parametrov, močnejših strukturnih predpostavkah in upoštevajo ordinalno strukturo podatkov. Fleksibilni modeli urejenost kategorij zanemarijo in tako omogočajo manj omejujoče modeliranje, vendar na račun večje kompleksnosti modela. Pomembna metodološka dilema pri ordinalni regresiji je predpostavka sorazmernih obetov (angl. proportional odds, PO), na kateri temelji kumulativni ordinalni regresijski model. V praksi je ta predpostavka pogosto vsaj delno kršena, kar postavlja vprašanje, ali je ordinalni model še vedno ustrezna izbira ali pa je bolj smiselna uporaba fleksibilnejšega modela, kot je multinomialni logistični model, ki ordinalnosti ne predpostavlja. Namen magistrske naloge je bil oceniti vpliv kršitev predpostavke PO na napovedno uspešnost modelov in opredeliti okoliščine, v katerih je uporaba kumulativnega ordinalnega modela še vedno smiselna. V magistrski nalogi smo primerjali kumulativni ordinalni regresijski model s predpostavko sorazmernih obetov in multinomialni logistični regresijski model kot njegovo alternativo. Modela smo primerjali na krajši simulacij in na realnih kliničnih podatkih kardiotokogramov. V simulaciji smo modela ovrednotili na različnih velikostih vzorcev (n = 200, 1000, 10000) za tri stopnje kršitve predpostavke PO (brez kršitve, šibka in močna kršitev). Napovedno uspešnost smo ocenili z uporabo srednje kvadratne napake napovedanih verjetnosti (RMSE), natančnostjo in kalibracijo napovedi. V študiji primera smo modela uporabili za napovedovanje ordinalne spremenljivke stanja ploda (normalno, sumljivo in patološko stanje). Modeliranje smo naredili na podlagi spremenljivk kardiotokografskih meritev. Za oba modela smo izvedli interno validacijo in analizo stabilnosti ocen. Z rezultati simulacije smo ugotovili, da kumulativni PO model v večini scenarijev dosega primerljivo ali boljšo napovedno uspešnost in natančnost kot multinomialni model, predvsem pri manjših vzorcih. Ob močni kršitvi predpostavke PO in velikih vzorcih multinomialni model doseže boljše rezultate. Rezultati so pokazali, da kršenje PO nima vpliva na kalibracijsko presečišče, ima pa vpliv na naklon, s katerim ugotovimo večjo stopnjo preprileganja pri multinomialnem modelu. V študiji primera večina spremenljivk ni izpolnjevala predpostavke PO. V kumulativni model so bile po metodi postopnega izključevanja glede na kriterij BIC najpogosteje izbrane spremenljivke, ki so predpostavko vsaj delno izpolnjevale, podobno pa je veljalo tudi za multinomialni model. Izbrane spremenljivke sovpadajo z dejavniki, ki se uporabljajo pri kliničnem razvrščanju stanja ploda. V študiji primera je multinomialni model dosegel boljšo napovedno uspešnost in natančnost, medtem ko je kumulativni PO model imel boljši kalibracijski naklon, zlasti pri napovedovanju patološkega izida. Z nalogo smo ugotovili, da je kumulativni PO model pogosto primerna izbira tudi ob zmernih kršitvah predpostavke PO za manjše in zmerno velike vzorce, saj ohranja dobro napovedno uspešnost ob večji interpretabilnosti in manjši kompleksnosti modela. Če pa imamo na voljo dovolj velike vzorce, potem ni omejitev za uporabo bolj fleksibilnega modela, pri čemer ostaja odprto vprašanje, kako veliki morajo biti za njihovo zanesljivo uporabo.20262026-07-28 12:05:21Magistrsko delo/naloga185203VisID: 63264COBISS_ID: 286234883sl