37. Ölçüm hatası düzeltmesi: regresyon kalibrasyonu ve SIMEX
Şablon kimliği: olcum_hatasi · Kategori: model · Dil: R · Dosya: pro/sablonlar/model/olcum_hatasi.R (satır 1–219; üstbilgi 1–93) · Örnek veri: _ornek/vat.csv · Paketler: mecor 1.0.0 (mecor, MeasError, MeasErrorRandom), simex 1.8 (simex), stats
37.1 Ne işe yarar
Şablon, doğrusal regresyonda sürekli bir yordayıcı hatalı ölçüldüğünde katsayılarda oluşan yanlılığı düzeltir. Cevapladığı soru şudur: "Gerçek değişkeni ölçemeyip yerine hatalı bir ölçüm kullandım; gerçek değişkenin katsayısı ne olurdu?" Model üç denklemden oluşur:
- Y: sürekli sonuç. X: gerçek (hatasız) yordayıcı; gözlenmez ya da yalnız bir alt örneklemde gözlenir. X^{\ast}: herkeste gözlenen hatalı ölçüm. \mathbf Z: hatasız ölçülen ortak değişkenler.
- U: ölçüm hatası. İkinci denklem klasik rastgele hata modelidir: U'nun ortalaması sıfır, varyansı \tau^2'dir ve X, \mathbf Z, \varepsilon ile ilişkisizdir.
- Üçüncü denklem naif modeldir: X yerine X^{\ast} konur. Yıldızlı katsayılar naif modelinkilerdir; ilgilenilen, birinci denklemin yıldızsız katsayılarıdır.
- Hatanın Y ile ilişkisi yalnız X üzerindendir (diferansiyel olmayan hata): X bilindiğinde X^{\ast}, Y hakkında ek bilgi taşımaz.
Rastgele hata, tek yordayıcılı modelde eğimi sıfıra doğru çeker; buna zayıflama (attenuation) denir (Fuller, 1987; Carroll, Ruppert, Stefanski ve Crainiceanu, 2006; uygulamaya dönük bir özet için Keogh ve ark., 2020). Ortak değişken varsa onların katsayıları da yanlıdır ve yanlılığın yönü önceden bilinemez. Şablon iki bilgi kaynağından biriyle düzeltme yapar: (1) iç doğrulama alt örneklemi — gerçek ölçüm bireylerin bir bölümünde vardır; (2) bilinen hata varyansı — \tau^2 bir yineleme ya da güvenilirlik çalışmasından bilinir. Birincide regresyon kalibrasyonu (Rosner, Spiegelman ve Willett, 1990), ikincide regresyon kalibrasyonu ve SIMEX (Cook ve Stefanski, 1994) uygulanır.
Ne zaman kullanılır? Yordayıcının ölçümü pahalı ya da zor olduğu için ucuz bir vekil ölçüm kullanıldığında (iç yağ dokusu yerine bel çevresi, gerçek besin alımı yerine sıklık anketi, kişisel maruziyet yerine istasyon ölçümü); vekilin gerçek ölçümle ilişkisi bir alt örneklemde ya da önceki bir çalışmada nicelendiğinde; sonuç sürekli ve model doğrusal olduğunda.
Ne zaman kullanılmaz?
- Hem gerçek hem hatalı ölçüm herkeste varsa: düzeltmeye gerek yoktur; temel programdaki Doğrusal Regresyon gerçek ölçümle kurulur. Şablon bu durumda uyarı verir.
- Amaç iki ölçüm yönteminin uyumunu değerlendirmekse (hangisi gerçek, belli değil): temel programdaki Bland-Altman ya da
deming_passing_bablokşablonu. - Sonuç ikili, sayım ya da süreyse: bu şablon yalnız doğrusal modeli düzeltir. Doğrusal olmayan modelde regresyon kalibrasyonu yaklaşık, SIMEX ise ayrıca kurulması gereken bir yöntemdir; hazır şablonu yoktur.
- Hata rastgele değil sistematikse ve doğrulama verisi yoksa (cihaz hep %10 fazla ölçüyor): \tau^2 tek başına yetmez; kalibrasyon için referans ölçüm gerekir (iç doğrulama düzeni).
- Hatalı ölçülen değişken kategorikse (yanlış sınıflama): yöntem farklıdır; bu şablon sürekli yordayıcı içindir.
- Yordayıcı içsel ise (sonuçla ortak nedenleri var): sorun ölçüm hatası değil içselliktir; temel programdaki Araç Değişkenli Regresyon (2SLS).
Temel programla ilişki. Temel programda ölçüm hatası düzeltmesi yoktur. Şablonun ilk tablosu ("Düzeltilmemiş (naif) model") temel programdaki Doğrusal Regresyon'un aynı değişkenlerle vereceği katsayı tablosudur; şablon bunun üstüne kalibrasyon modelini ve düzeltilmiş katsayıları ekler.
37.2 Şablonun girdileri
Form on iki [[param]] bloğundan kurulur (olcum_hatasi.R:11–92).
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Sonuç değişkeni (sürekli) · y |
sayısal sütun · Değişkenler | ilk sayısal sütun | sayısal sütun | Y (124). |
Hatalı ölçülen yordayıcı X* · hatali |
sayısal sütun · Değişkenler | ilk sayısal sütun | sayısal sütun | X^{\ast} (124). |
Referans ölçüm X · referans |
sayısal sütun · Değişkenler | boş | sayısal sütun; iç doğrulamada zorunlu | X; yalnız dolu satırlar doğrulama alt örneklemidir (99, 156). |
Hatasız ortak değişkenler Z · ortak |
sütunlar · Değişkenler | boş | herhangi sütunlar; isteğe bağlı | Sayısal sütun olduğu gibi, kategorik sütun gösterge sütunlarıyla girer (107–121). |
Hata bilgisi · duzen |
seçim · Model | dogrulama |
dogrulama, varyans |
Düzen: iç doğrulama ya da bilinen varyans (98, 155, 179). |
Rastgele hata varyansı τ² · tau2 |
ondalık · Model | 0,25 | 0–1000000 | \tau^2; yalnız varyans düzeninde (180–183). |
SIMEX benzetim sayısı B · B |
tamsayı · Seçenekler | 200 | 20–5000 | Her λ için benzetim sayısı (196). |
SIMEX dışkestirim fonksiyonu · dissal |
seçim · Model | quadratic |
quadratic, linear |
Katsayı ve varyans dışkestirimi (196). |
Düzeltme yöntemi (iç doğrulama) · yontem |
seçim · Model | standard |
standard, efficient, valregcal |
mecor(method = …) (145, 163). |
Güven düzeyi (%) · guven |
ondalık · Seçenekler | 95 | 50–99,9 | GA'ların normal kantili (143–144). |
SIMEX λ değerleri · lambda |
metin · Seçenekler | 0.5, 1, 1.5, 2 |
en az iki pozitif, artan sayı | Ek hata çarpanları (146–150). |
SIMEX asimptotik SH'yi de ver · asimptotik |
onay · Seçenekler | kapalı | açık / kapalı | simex(asymptotic = TRUE); tabloya sütun ekler (151, 201). |
Örnek ayar (satır 9): y = ir_ln, hatali = wc, referans = vat, ortak = [sex, age, tbf], duzen = dogrulama, tau2 = 0,25, B = 100, dissal = quadratic. Örnek ayarda benzetim sayısı varsayılandan (201) farklıdır; iç doğrulama düzeninde tau2, B, dissal, lambda ve asimptotik kullanılmaz. Güven düzeyi bu şablonda yüzde olarak girilir (95).
Şablonun kendi denetimleri.
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 97 |
| İç doğrulamada referans seçilmedi | "İç doğrulama düzeninde referans ölçüm sütununu seçin." | 100 |
| Sonuç, hatalı yordayıcı ve referanstan ikisi aynı sütun | "Sonuç, hatalı yordayıcı ve referans farklı sütunlar olmalı." | 101 |
| Tam gözlem sayısı 10'dan az | "En az 10 tam gözlem gerekli." | 106 |
| Kategorik ortak değişken tek düzeyli; sayısal ortak değişken sabit | "'…' sabit; ortak değişkenlerden çıkarın." | 113, 117 |
| n < (ortak değişken sütunu sayısı) + 10 | "Tam gözlem sayısı model için yetersiz." | 123 |
| Sonuç ya da hatalı yordayıcı sabit | "Sonuç değişkeni sabit." / "Hatalı yordayıcı sabit." | 125, 126 |
| Tasarım matrisi tam ranklı değil | "Yordayıcılar doğrusal bağımlı (eş doğrusallık); bir değişkeni çıkarın." | 134 |
λ: ikiden az, pozitif değil ya da artan değil (yalnız varyans) |
"SIMEX λ değerleri en az iki pozitif, artan sayı olmalı." | 150 |
| Doğrulama alt örneklemi (ortak değişken sütunu sayısı) + 5'ten küçük | "Doğrulama alt örneklemi … çok küçük." | 158 |
| Referans doğrulama alt örnekleminde sabit | "Referans ölçüm doğrulama alt örnekleminde sabit." | 160 |
| \tau^2\le0 | "Bilinen hata varyansı τ² pozitif olmalı." | 181 |
| \tau^2\ge\operatorname{Var}(X^{\ast}) | "τ², hatalı ölçümün varyansından küçük olmalı." | 182 |
| Paket hata verdi | "Düzeltme yapılamadı: …" / "SIMEX uygulanamadı: …" | 164, 184, 197 |
Eksik değer: sonuç, hatalı yordayıcı ve ortak değişkenlerden herhangi birinde eksik olan satır atılır; referans sütunundaki eksiklik satırı düşürmez, yalnız o satırı doğrulama alt örnekleminin dışında bırakır (satır 104). Sonuç ya da hatalı yordayıcı ortak değişken listesinde de seçilmişse listeden sessizce çıkarılır (102). Durdurmayan uyarılar: referans her satırda doluysa "doğrudan referansla model kurmak daha uygundur" (159); paketlerin ürettiği uyarılar çıktının sonunda "Uyarılar:" satırında toplanır (153, 218). Sonuç, hatalı yordayıcı ve referans sütunları veri sekmesinde sayısal türde olmalıdır (37.8).
37.3 Örnek veri
Dosya: _ornek/vat.csv. mecor paketinin vat verisidir: Hollanda Obezite Epidemiyolojisi (NEO) çalışmasından esinlenerek üretilmiş yapay bir iç doğrulama verisi (de Mutsert ve ark., 2013; Nab, van Smeden, de Mutsert ve ark., 2021). 650 birey; iç yağ dokusu (vat) yaklaşık %40'ında, rastgele seçilerek ölçülmüştür.
| Değişken | Rol | Tür (veri sekmesi) | Özet |
|---|---|---|---|
ir_ln |
Sonuç Y | sayısal | İnsülin direncinin doğal logaritması; ortalama 0,344; standart sapma 0,497. |
wc |
Hatalı yordayıcı X^{\ast} | sayısal | Bel çevresi (standartlaştırılmış); ortalama −0,745; varyans 1,2424. |
vat |
Referans X | sayısal | İç yağ dokusu (standartlaştırılmış); 275 bireyde dolu, 375'inde eksik. |
sex |
Ortak değişken | ikili | 0 = erkek (327), 1 = kadın (323). |
age |
Ortak değişken | sayısal | Yaş; 45–65; ortalama 54,9. |
tbf |
Ortak değişken | sayısal | Toplam vücut yağı (standartlaştırılmış). |
Kategorik ortak değişken seçilirse ilk düzey referans olur ve gösterge sütunları ad_düzey biçiminde adlandırılır (satır 114–115); ilk düzey, MerQuR+'ın düzey sırası kuralıyla belirlenir (Bölüm 1.3). Örnek veride sex ikili (0/1) olduğundan sayı olarak girer; kategorik türe çevrilirse terim adı sex_1 olur, katsayılar değişmez.
Bu bölümde kullanılan çalıştırmalar: (1) örnek ayar; (2) güven düzeyi %90; (3) ortak değişkensiz model; (4) etkin ve doğrulama regresyon kalibrasyonu; (5) bilinen varyans düzeni: ortak = [age], \tau^2=0{,}25, B=1000, tohum 2026 (mecor belgesindeki örnek); (6) aynı düzende doğrusal dışkestirim, B=100, başka tohum (7), asimptotik SH (B=200), üç ortak değişken; (7) sütun türlerinin "kategorik" verildiği kurgusal kopya (dogrulama/olcum_hatasi/vat_yuvarlak.csv: üç ölçüm sütunu bir ondalığa yuvarlanmış).
37.4 Yöntem: formüller ve hesap adımları
Hesap sırası: (1) sütunları seç, eksik satırları at, kategorik ortak değişkenleri gösterge sütunlarına aç; (2) naif modeli en küçük karelerle (EKK) kur; (3a) iç doğrulamada kalibrasyon modelini doğrulama alt örnekleminde kur, naif katsayıları düzelt, delta yöntemiyle SH hesapla; (3b) bilinen varyansta kalibrasyon katsayılarını kovaryans matrisinden türet, düzelt ve ayrıca SIMEX uygula; (4) tabloları ve şekli üret.
37.4.1 Zayıflama: hatanın naif katsayıya etkisi
Ortak değişken yokken naif eğimin büyük örneklemdeki değeri:
Ortak değişkenler varken aynı ilişki koşullu varyanslarla geçerlidir:
- \lambda_1: güvenilirlik oranı (zayıflama çarpanı); 0 ile 1 arasındadır. 0,8 ise naif eğim gerçek eğimin %80'idir.
- \operatorname{Var}(X^{\ast}\mid\mathbf Z): X^{\ast}'ın ortak değişkenlerce açıklanamayan varyansı. \mathbf Z, X^{\ast} ile ilişkili oldukça bu varyans küçülür ve aynı \tau^2 daha büyük bir paya karşılık gelir: ortak değişken eklemek zayıflamayı artırır.
- Ortak değişkenlerin naif katsayıları da yanlıdır: \boldsymbol\beta_Z^{\ast}=\boldsymbol\beta_Z+\beta_X\boldsymbol\lambda_Z; \boldsymbol\lambda_Z, X'in \mathbf Z üzerindeki (koşullu) eğimleridir.
37.4.2 Regresyon kalibrasyonu (iç doğrulama)
Kalibrasyon modeli doğrulama alt örnekleminde, naif model bütün örneklemde EKK ile kurulur:
Gerçek modelde X yerine kalibrasyon modelinin beklenen değeri konursa naif katsayılar ile gerçek katsayılar arasındaki bağ elde edilir; tersine çevrilince düzeltme çıkar:
Matris biçiminde \hat{\boldsymbol\beta}=\hat{\boldsymbol\beta}^{\ast}\boldsymbol\Lambda^{-1}'dir; \boldsymbol\Lambda, ilk satırı kalibrasyon katsayıları olan birim matristir.
- \hat\lambda_1: kalibrasyon modelinde X^{\ast}'ın eğimi. Klasik hata modelinde güvenilirlik oranına eşittir; kalibrasyon modeli sistematik hatayı da (\lambda_0\ne0, \lambda_1 herhangi) kapsar.
- Eğim, naif eğimin \hat\lambda_1'e bölünmesiyle; sabit ve ortak değişken katsayıları, X'in onlara "sızan" bölümünün çıkarılmasıyla düzeltilir.
- Düzeltme yalnız nokta kestirimini değiştirir; bilgi eklemez. Düzeltilmiş eğimin SH'si naif eğimin SH'sinden her zaman büyüktür.
Neden "kalibrasyon"?
Yöntem, her birey için gözlenmeyen X yerine onun en iyi doğrusal kestirimini, E(X\mid X^{\ast},\mathbf Z)'yi koymaya eşdeğerdir. Doğrusal modelde bu yerine koyma katsayıları tutarlı kılar; "önce X'i kalibre et, sonra regresyonu kur" ile "önce naif regresyonu kur, sonra katsayıları düzelt" aynı sonucu verir.
Koddaki tercih
mecor(.y ~ MeasError(substitute = .xs, reference = .x) + z1 + …, data = dd, method = "standard", B = 0) (satır 162–163; Nab, 2021). B = 0, paketin bootstrap SH'sini kapatır; SH delta yönteminden gelir. Ortak değişkenler pakete z1, z2, … adlarıyla verilir ve çıktıda özgün adlarına çevrilir (127–132). Düzeltilmiş tabloda yordayıcının satırı referans sütununun adını taşır (vat), çünkü katsayı artık gerçek değişkene aittir. Kalibrasyon modeli ayrıca lm ile kurulup üçüncü tablo olarak yazılır (170–174).
37.4.3 Standart hata: delta yöntemi
Düzeltilmiş katsayı iki ayrı kestirimin (naif ve kalibrasyon) doğrusal olmayan bir fonksiyonudur. Birinci dereceden açılımla:
Eğim için açık biçimi:
- \mathbf J_{\beta^{\ast}}, \mathbf J_{\lambda}: düzeltme fonksiyonunun naif ve kalibrasyon katsayılarına göre türev (Jacobian) matrisleri.
- İlk terim naif modelin, ikinci terim kalibrasyon modelinin belirsizliğidir. İkinci terim atlanırsa (kalibrasyon katsayıları bilinen sayı sayılırsa) SH küçük çıkar.
- İki kestirim bağımsız sayılır (çapraz kovaryans sıfır).
- GA: \hat\beta\pm z_{1-\alpha/2}\operatorname{SH}; normal kantil kullanılır.
Koddaki tercih
SH, paketin corfit$vcov matrisinin köşegeninden alınır (satır 165). mecor Jacobian'ı analitik değil, ileri farkla (adım 10^{-4}; numDeriv::jacobian(method = "simple")) hesaplar. Sonuç analitik türevle bulunan değerden göreli 10^{-5} dolayında ayrılır: örnek veride SH(\hat\beta_X) 0,034210 (ileri fark) ve 0,034211 (analitik). Düzeltilmiş tablo yalnız kestirim, SH ve GA içerir; t ve p sütunu yoktur.
37.4.4 Etkin ve doğrulama regresyon kalibrasyonu
Doğrulama alt örnekleminde X gözlendiği için gerçek model orada doğrudan kurulabilir. Etkin regresyon kalibrasyonu bu "tam gözlem" kestirimi ile Rosner kestirimini ters varyans ağırlığıyla birleştirir (Spiegelman, Carroll ve Kipnis, 2001):
- \hat{\boldsymbol\beta}_T, \mathbf V_T: doğrulama alt örnekleminde Y\sim X+\mathbf Z EKK kestirimi ve kovaryansı. \hat{\boldsymbol\beta}_R, \mathbf V_R: 37.4.2–37.4.3'teki Rosner kestirimi ve kovaryansı.
- Birleşim, iki kestirim bağımsızmış gibi yapılır.
Doğrulama regresyon kalibrasyonunda her bireye bir X değeri atanır: referans varsa kendisi, yoksa kalibrasyon modelinin kestirimi \hat\lambda_0+\hat\lambda_1X^{\ast}+\hat{\boldsymbol\lambda}_Z^{\top}\mathbf Z; sonra Y\sim\tilde X+\mathbf Z modeli bütün örneklemde EKK ile kurulur. SH bu son modelin olağan EKK standart hatasıdır; atanan değerlerin kestirilmiş olmasından gelen belirsizliği içermez.
Üç yöntem aynı SH'yi vermez
Örnek veride iç yağ dokusunun katsayısı standart yöntemle 0,2076 (SH 0,0342), etkin yöntemle 0,2000 (SH 0,0208), doğrulama yöntemiyle 0,2037 (SH 0,0216) çıkar. Son iki yöntemin dar SH'leri kısmen gerçek bilgi kazancından (doğrulama bireylerinin Y değerleri iki kez kullanılır), kısmen de ihmal edilen bağımlılık ve kestirim belirsizliğinden gelir. Varsayılan (standart) yöntem en tutucu olanıdır.
37.4.5 Bilinen hata varyansı ile regresyon kalibrasyonu
Referans ölçüm yoksa kalibrasyon katsayıları doğrulama verisinden değil, (X^{\ast},\mathbf Z)'nin örneklem kovaryans matrisinden ve \tau^2'den türetilir:
- \mathbf S: n-1 paydalı kovaryans matrisi; \mathbf e_1=(1{,}0,\dots,0)^{\top}.
- \hat\lambda_1=1-\tau^2[\mathbf S^{-1}]_{11}=1-\tau^2/\widehat{\operatorname{Var}}(X^{\ast}\mid\mathbf Z): 37.4.1'deki koşullu güvenilirlik oranı.
- Düzeltme 37.4.2'deki formüllerle yapılır. Eşdeğer biçimi: EKK normal denklemlerinde \mathbf S yerine \mathbf S-\tau^2\mathbf e_1\mathbf e_1^{\top} kullanmak (momentler yöntemi).
Koddaki tercih
mecor(.y ~ MeasErrorRandom(substitute = .xs, variance = tau2) + z…, data = dd) (satır 183–184). Bu düzende paket kovaryans matrisi vermez; tablo yalnız nokta kestirimidir (187). Tablonun başlığına yazılan "güvenilirlik oranı" düzeltmede kullanılan orandır (188–190): ortak değişken yoksa 1-\tau^2/\operatorname{Var}(X^{\ast}), varsa koşullu oran 1-\tau^2/\operatorname{Var}(X^{\ast}\mid\mathbf Z) ve başlık "ortak değişkenler verildiğinde" der. Yaş tek ortak değişkenken 0,7977; cinsiyet, yaş ve toplam yağ birlikteyken 0,6835'tir (marjinal oran 0,7988). Belirsizlik için aynı çıktıdaki SIMEX tablosuna bakılır.
37.4.6 SIMEX: benzetim ve dışkestirim
SIMEX (simulation–extrapolation) ters yönden yaklaşır: hatayı azaltamadığımıza göre artırıp katsayının nasıl değiştiğine bakar, sonra bu eğilimi "hata yok" noktasına geri uzatır.
Benzetim adımı. Her \lambda\in\{\lambda_1,\dots,\lambda_m\} ve b=1,\dots,B için:
Dışkestirim adımı. (\lambda,\hat{\boldsymbol\theta}(\lambda)) noktalarına (\lambda=0 naif model dahil) bir eğri uydurulur ve \lambda=-1'de değerlendirilir:
- X^{\ast}_b(\lambda)'nin hata varyansı (1+\lambda)\tau^2'dir; \lambda=-1 hatasız ölçüme karşılık gelir.
- \hat{\boldsymbol\theta}_b(\lambda): gürültü eklenmiş veride kurulan naif modelin bütün katsayıları. Ortalama, benzetim gürültüsünü süzer.
- \gamma: dışkestirim eğrisinin EKK katsayıları. Doğrusal seçenekte \gamma_2=0 alınır.
Neden ikinci derece; gerçek eğri nedir?
Doğrusal modelde naif eğimin \lambda'ya bağlılığı tam olarak bilinir: \beta_X\,\sigma^2/(\sigma^2+(1+\lambda)\tau^2); \sigma^2=\operatorname{Var}(X\mid\mathbf Z). Bu bir hiperboldür; ikinci derece polinom onu [0{,}2] aralığında iyi izler, ama -1'e uzatıldığında hiperbolün kıvrımını tam yakalayamaz ve eksik düzeltir. Doğrusal dışkestirim daha da eksik düzeltir. Örnek veride regresyon kalibrasyonu 0,3213, ikinci derece SIMEX 0,3107, doğrusal SIMEX 0,2898 verir; naif değer 0,2563'tür. İkinci derece, yanlılık ile kararlılık arasında yerleşik uzlaşmadır (Cook ve Stefanski, 1994); SIMEX'in asıl yararı, kapalı düzeltmenin bulunmadığı doğrusal olmayan modellerdedir.
Koddaki tercih
simex::simex(naif_x, SIMEXvariable = ".xs", measurement.error = sqrt(tau2), lambda = lam, B = B, fitting.method = dissal, jackknife.estimation = dissal, asymptotic = asm) (satır 194–197; Lederer ve Seibold, 2019). Naif model lm(…, x = TRUE, y = TRUE) ile yeniden kurulur. Pakete hatanın standart sapması verilir (\sqrt{\tau^2}). Dışkestirim fonksiyonu katsayılar ve varyans için aynıdır. "SIMEX yolu" tablosu yalnız hatalı yordayıcının katsayısını gösterir (205–206); şekildeki eğri bu noktalara ayrıca uydurulur (209–213).
SIMEX sonucu rastgele sayılara bağlıdır
Benzetim adımı rastgele sayı kullanır. Şablonun kendi tohum alanı yoktur; dizi, çalıştırmanın tohumuyla kurulur; Kod panelindeki Tohum alanı boşsa arayüz her çalıştırmada yeni bir tohum üretir (Bölüm 1.3). Aynı ayarla iki çalıştırma, benzetim hatası kadar farklı sonuç verir: örnek veride tohumdan tohuma standart sapma B=100'de 0,0021, B=1000'de 0,0005'tir. Raporlanacak sonuç için B en az 1000 seçilir; çalıştırma betik adımı olarak kaydedilirse yeniden oynatmada aynı tohum kullanılır.
37.4.7 SIMEX standart hatası: jackknife varyans dışkestirimi
- İlk terim: gürültülü verilerde kurulan modellerin olağan (model tabanlı) kovaryans matrislerinin ortalaması. İkinci terim: B katsayı vektörünün örneklem kovaryansı.
- \hat{\mathbf V}(0): naif modelin kovaryans matrisi. \hat{\mathbf V}(\lambda)'nın her öğesi katsayılarla aynı fonksiyonla \lambda=-1'e dışkestirilir; SH, dışkestirilen matrisin köşegeninin kareköküdür (Stefanski ve Cook, 1995).
- \lambda arttıkça fark küçülür; -1'e uzatılınca büyür: düzeltilmiş katsayının SH'si naif SH'den büyüktür.
Koddaki tercih
SH summary(sx)$coefficients$jackknife tablosunun ikinci sütunundan alınır (satır 198). GA ve p değeri şablonda normal dağılımla hesaplanır: \hat\theta\pm z\cdot\mathrm{SH} ve p=2\Phi(-\lvert\hat\theta/\mathrm{SH}\rvert) (199–200); paketin kendi özeti t dağılımı kullanır. "Asimptotik SH" kutusu işaretlenirse paketin kestirim denklemlerine dayalı asimptotik SH'si (Carroll, Küchenhoff, Lombard ve Stefanski, 1996) ayrı bir sütunda eklenir (201).
37.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 1–93 | Üstbilgi: açıklama, örnek veri ve ayar, 12 parametre. | Form buradan kurulur (Bölüm 1.2). |
| 94–106 | Dil seçici, paket yükleme; düzen ve referansın belirlenmesi; sütunların seçilmesi; eksik satırların atılması. | Eksiklik denetimi referans sütununu kapsamaz (104). |
| 107–134 | Ortak değişkenlerin sayısal matrise çevrilmesi (faktör → gösterge sütunları); sabitlik ve rank denetimleri; çalışma veri çerçevesi dd. |
y ve xs mq_sayisal ile alınır (124); adlar etiket ile geri çevrilir (130–132). |
| 135–142 | Başlık satırı; naif model ve tablosu. | t ve p burada t(n-p) ile (summary.lm). |
| 143–153 | Güven düzeyi ve normal kantil; yöntem; λ metninin ayrıştırılması ve denetimi; uyarı toplayıcı sus. |
λ denetimi yalnız bilinen varyans düzeninde (150). |
| 155–178 | İç doğrulama: alt örneklem denetimleri, mecor, düzeltilmiş tablo, kalibrasyon tablosu, saçılım grafiği. |
Başlık yöntem ve güven düzeyine göre değişir (168–169). |
| 179–190 | Bilinen varyans: \tau^2 denetimleri, mecor(MeasErrorRandom), nokta kestirimi tablosu. |
Başlıktaki güvenilirlik oranı düzeltmede kullanılan (koşullu) orandır (188–190). |
| 191–216 | SIMEX: paket denetimi, naif modelin yeniden kurulması, simex, düzeltilmiş tablo, yol tablosu, dışkestirim grafiği. |
Varsayılan λ dışında başlık λ değerlerini listeler (202–204). |
| 218–219 | Toplanan paket uyarılarının yazılması. |
37.6 Elle hesap: örnek veride bağımsız yeniden hesap
Değerler dogrulama/olcum_hatasi/elle_hesap.py ile hesaplanmıştır. Betik mecor'u, simex'i ve şablon kodunu kullanmaz: EKK'yı normal denklemlerle çözer, 37.4'teki formülleri açıkça uygular. SIMEX için R'nin rastgele sayı üreteci Python'da yeniden kurulmuştur (dogrulama/dagilim_uydurma/r_rng.py); böylece aynı tohumla aynı gürültü dizisi elde edilir. R tarafında (r_dogrulama.R) aynı hesaplar lm, cov ve set.seed + rnorm döngüsüyle yapılmıştır.
Adım 1 — Naif model (n=650; Y: ir_ln; X^{\ast}: wc).
| Terim | \hat\beta^{\ast} | SH | t |
|---|---|---|---|
| Sabit | 0,509764 | 0,126421 | 4,032 |
wc |
0,096970 | 0,013796 | 7,029 |
sex |
−0,709527 | 0,039009 | −18,189 |
age |
0,011327 | 0,002205 | 5,137 |
tbf |
0,387827 | 0,020149 | 19,248 |
Adım 2 — Kalibrasyon modeli (doğrulama alt örneklemi, n_v=275; yanıt vat).
| Terim | \hat\lambda | SH |
|---|---|---|
| Sabit (\lambda_0) | 0,175173 | 0,356830 |
wc (\lambda_1) |
0,467107 | 0,038851 |
sex |
−1,305765 | 0,105973 |
age |
0,008909 | 0,006285 |
tbf |
0,563408 | 0,055683 |
R^2=0{,}7162. Bel çevresi bir birim arttığında, öteki değişkenler sabitken, iç yağ dokusu ortalama 0,467 birim artar.
Adım 3 — Düzeltme.
İç yağ dokusunun katsayısı, bel çevresinin naif katsayısının 2,14 katıdır. Cinsiyet katsayısı −0,710'dan −0,438'e iner: naif modelde cinsiyet, bel çevresinin taşıyamadığı iç yağ farkının bir bölümünü üstlenmiştir.
Adım 4 — Delta yöntemi. Eğim için iki terim:
Kalibrasyon belirsizliği varyansın dörtte birini oluşturur; atlanırsa SH 0,029534 olurdu. Tam matris hesabıyla analitik SH'ler (0{,}146766;\ 0{,}034211;\ 0{,}079598;\ 0{,}002598;\ 0{,}036663), ileri farklı Jacobian'la (0{,}146766;\ 0{,}034210;\ 0{,}079596;\ 0{,}002598;\ 0{,}036662)'dir. %95 GA (ileri farklı SH ile): 0{,}207598\pm1{,}959964\cdot0{,}034210=[0{,}140549;\ 0{,}274648].
Adım 5 — Etkin ve doğrulama yöntemleri. Doğrulama alt örnekleminde Y\sim X+\mathbf Z: \hat\beta_X=0{,}195751 (SH 0,026219). Ters varyans ağırlıklı birleşim: \hat\beta_X=0{,}200031 (SH 0,020799). Doğrulama regresyon kalibrasyonu: \hat\beta_X=0{,}203732 (SH 0,021552).
Adım 6 — Yayımlanmış değerlerle karşılaştırma. mecor belgesindeki örnek (Nab, van Smeden, Keogh ve Groenwold, 2021) düzeltilmiş katsayıları 0,473398; 0,207598; −0,438453; 0,009478; 0,270864 ve SH'leri 0,146766; 0,034210; 0,079596; 0,002598; 0,036662 olarak verir; Adım 3–4 ile altı ondalıkta aynıdır.
Adım 7 — Bilinen hata varyansı (\tau^2=0{,}25; ortak değişken age). Naif model: sabit −0,130150; wc 0,256268 (SH 0,014067); age 0,012114. \widehat{\operatorname{Var}}(X^{\ast})=1{,}242419; yaştan arındırılmış varyans 1/[\mathbf S^{-1}]_{11}=1{,}235831.
mecor belgesindeki değerler −0,02993932; 0,32125598; 0,01116984'tür. Marjinal güvenilirlik oranı 1-0{,}25/1{,}242419=0{,}798780'dir; yaşın bel çevresiyle ilişkisi zayıf olduğundan koşullu orana (0,797707) çok yakındır. Üç ortak değişkenle koşullu varyans 0,789847'ye, oran 0,683483'e iner ve naif 0,096970, 0,141877'ye düzelir.
Adım 8 — SIMEX (B=1000; tohum 2026; \lambda=0{,}5;\ 1;\ 1{,}5;\ 2).
| \lambda | Bel çevresi katsayısının ortalaması | B\to\infty sınırı | \hat V_{XX}(\lambda) |
|---|---|---|---|
| 0 | 0,256268 | 0,256268 | 0,00019787 |
| 0,5 | 0,232916 | 0,232728 | 0,00016448 |
| 1 | 0,213443 | 0,213150 | 0,00013934 |
| 1,5 | 0,196920 | 0,196609 | 0,00012509 |
| 2 | 0,182565 | 0,182451 | 0,00011089 |
Beş noktaya uydurulan ikinci derece eğri 0{,}256095-0{,}048648\,\lambda+0{,}005984\,\lambda^2'dir; \lambda=-1'de:
Varyans bileşenleri aynı biçimde dışkestirilir: \hat V_{XX}(-1)=0{,}00028214, \operatorname{SH}=0{,}016797; %95 GA [0{,}277806;\ 0{,}343649]. "B\to\infty sınırı" sütunu, benzetim yerine beklenen değerin doğrudan hesaplanmasıyla bulunmuştur (\mathbf S+\lambda\tau^2\mathbf e_1\mathbf e_1^{\top} ile normal denklemler); onun dışkestirimi 0,311544'tür. Benzetimli sonuçla fark (0,0008) benzetim hatasıdır; regresyon kalibrasyonuyla fark (0{,}3213-0{,}3115=0{,}0098) ikinci derece dışkestirimin eksik düzeltmesidir. Doğrusal dışkestirim 0,289783 (SH 0,015260) verir.
37.6.1 Doğrulama: MerQuR+, Python ve R
MerQuR+ sütunu şablonun tablolarından tam hassasiyetle alınmıştır (çalıştırmalar 1–6).
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| Naif model: sabit | 0,50976395 | 0,50976395 | 0,50976395 | 1,9e−15 | ✓ |
| Naif model: bel çevresi / VAT | 0,09697045 | 0,09697045 | 0,09697045 | 9,7e−16 | ✓ |
| Naif model: cinsiyet | −0,70952736 | −0,70952736 | −0,70952736 | 1,8e−15 | ✓ |
| Naif model: SH(bel çevresi) | 0,01379568 | 0,01379568 | 0,01379568 | 2,9e−17 | ✓ |
| Naif model: t (bel çevresi) | 7,02904268 | 7,02904268 | 7,02904268 | 1,0e−14 | ✓ |
| Naif model: p (sabit) | 6,184700·10−5 | 6,184700·10−5 | 6,184700·10−5 | 4,6e−19 | ✓ |
| Kalibrasyon modeli: sabit | 0,17517311 | 0,17517311 | 0,17517311 | 1,1e−14 | ✓ |
| Kalibrasyon modeli: bel çevresi / VAT | 0,46710667 | 0,46710667 | 0,46710667 | 3,9e−16 | ✓ |
| Kalibrasyon modeli: cinsiyet | −1,30576501 | −1,30576501 | −1,30576501 | 2,6e−15 | ✓ |
| Kalibrasyon modeli: yaş | 0,00890876 | 0,00890876 | 0,00890876 | 1,2e−16 | ✓ |
| Kalibrasyon modeli: toplam yağ | 0,56340751 | 0,56340751 | 0,56340751 | 2,3e−15 | ✓ |
| Kalibrasyon modeli: SH(bel çevresi) | 0,03885116 | 0,03885116 | 0,03885116 | 3,5e−17 | ✓ |
| Düzeltilmiş: sabit | 0,47339835 | 0,47339835 | 0,47339835 | 2,8e−16 | ✓ |
| Düzeltilmiş: bel çevresi / VAT | 0,20759809 | 0,20759809 | 0,20759809 | 2,7e−15 | ✓ |
| Düzeltilmiş: cinsiyet | −0,43845304 | −0,43845304 | −0,43845304 | 6,2e−15 | ✓ |
| Düzeltilmiş: yaş | 0,00947768 | 0,00947768 | 0,00947768 | 8,2e−17 | ✓ |
| Düzeltilmiş: toplam yağ | 0,27086439 | 0,27086439 | 0,27086439 | 2,8e−15 | ✓ |
| Düzeltilmiş: SH(sabit), ileri fark | 0,14676571 | 0,14676571 | 0,14676571 | 8,7e−14 | ✓ |
| Düzeltilmiş: SH(bel çevresi / VAT), ileri fark | 0,03420951 | 0,03420951 | 0,03420951 | 8,7e−15 | ✓ |
| Düzeltilmiş: SH(cinsiyet), ileri fark | 0,07959588 | 0,07959588 | 0,07959588 | 9,4e−14 | ✓ |
| Düzeltilmiş: SH(yaş), ileri fark | 0,00259813 | 0,00259813 | 0,00259813 | 1,4e−16 | ✓ |
| Düzeltilmiş: SH(toplam yağ), ileri fark | 0,03666245 | 0,03666245 | 0,03666245 | 1,2e−14 | ✓ |
| Düzeltilmiş: SH(sabit), analitik Jacobian | 0,14676571 | 0,14676572 | 0,14676572 | 1,3e−8 | ✓ |
| Düzeltilmiş: SH(bel çevresi / VAT), analitik Jacobian | 0,03420951 | 0,03421138 | 0,03421138 | 1,9e−6 | ✗ |
| Düzeltilmiş: SH(cinsiyet), analitik Jacobian | 0,07959588 | 0,07959798 | 0,07959798 | 2,1e−6 | ✗ |
| Düzeltilmiş: GA alt (VAT) | 0,14054867 | 0,14054867 | 0,14054867 | 1,9e−14 | ✓ |
| Düzeltilmiş: GA üst (VAT) | 0,2746475 | 0,2746475 | 0,2746475 | 1,5e−14 | ✓ |
| %90 GA alt (VAT) | 0,15132844 | 0,15132844 | 0,15132844 | 1,7e−14 | ✓ |
| Ortak değişkensiz: düzeltilmiş VAT | 0,35313671 | 0,35313671 | 0,35313671 | 5,6e−16 | ✓ |
| Ortak değişkensiz: SH(VAT) | 0,02722541 | 0,02722541 | 0,02722541 | 1,6e−14 | ✓ |
| Etkin kalibrasyon: sabit | 0,49973577 | 0,49973577 | 0,49973577 | 1,9e−13 | ✓ |
| Etkin kalibrasyon: bel çevresi / VAT | 0,20003076 | 0,20003076 | 0,20003076 | 2,0e−14 | ✓ |
| Etkin kalibrasyon: cinsiyet | −0,45014051 | −0,45014051 | −0,45014051 | 5,9e−14 | ✓ |
| Etkin kalibrasyon: SH(VAT) | 0,02079939 | 0,02079939 | 0,02079939 | 1,8e−15 | ✓ |
| Doğrulama kalibrasyonu: sabit | 0,47451773 | 0,47451773 | 0,47451773 | 1,4e−14 | ✓ |
| Doğrulama kalibrasyonu: bel çevresi / VAT | 0,2037324 | 0,2037324 | 0,2037324 | 9,4e−16 | ✓ |
| Doğrulama kalibrasyonu: cinsiyet | −0,44653866 | −0,44653866 | −0,44653866 | 2,7e−15 | ✓ |
| Doğrulama kalibrasyonu: SH(VAT) | 0,02155162 | 0,02155162 | 0,02155162 | 2,8e−17 | ✓ |
| Bilinen varyans (\tau^2=0{,}25): sabit | −0,02993932 | −0,02993932 | −0,02993932 | 9,2e−16 | ✓ |
| Bilinen varyans (\tau^2=0{,}25): bel çevresi | 0,32125598 | 0,32125598 | 0,32125598 | 8,3e−16 | ✓ |
| Bilinen varyans (\tau^2=0{,}25): yaş | 0,01116984 | 0,01116984 | 0,01116984 | 1,4e−16 | ✓ |
| Bilinen varyans, üç ortak değişken: bel çevresi | 0,14187689 | 0,14187689 | 0,14187689 | 1,3e−15 | ✓ |
| SIMEX (B=1000, tohum 2026): sabit | −0,04535232 | −0,04535232 | −0,04535232 | 7,5e−15 | ✓ |
| SIMEX (B=1000, tohum 2026): bel çevresi | 0,31072742 | 0,31072742 | 0,31072742 | 2,8e−16 | ✓ |
| SIMEX (B=1000, tohum 2026): yaş | 0,01130566 | 0,01130566 | 0,01130566 | 1,5e−16 | ✓ |
| SIMEX: jackknife SH(sabit) | 0,15631455 | 0,15631455 | 0,15631455 | 4,4e−16 | ✓ |
| SIMEX: jackknife SH(bel çevresi) | 0,01679695 | 0,01679695 | 0,01679695 | 6,9e−17 | ✓ |
| SIMEX: jackknife SH(yaş) | 0,00280418 | 0,00280418 | 0,00280418 | 7,2e−17 | ✓ |
| SIMEX: GA alt (bel çevresi) | 0,277806 | 0,277806 | 0,277806 | 3,3e−16 | ✓ |
| SIMEX: p (yaş) | 5,537036·10−5 | 5,537036·10−5 | 5,537036·10−5 | 6,4e−18 | ✓ |
| SIMEX yolu: \lambda=0{,}5 | 0,23291592 | 0,23291592 | 0,23291592 | 5,0e−16 | ✓ |
| SIMEX yolu: \lambda=1 | 0,2134432 | 0,2134432 | 0,2134432 | 4,2e−16 | ✓ |
| SIMEX yolu: \lambda=1{,}5 | 0,19692008 | 0,19692008 | 0,19692008 | 1,1e−16 | ✓ |
| SIMEX yolu: \lambda=2 | 0,18256513 | 0,18256513 | 0,18256513 | 4,4e−16 | ✓ |
| SIMEX, doğrusal dışkestirim: bel çevresi | 0,28978324 | 0,28978324 | 0,28978324 | 7,2e−16 | ✓ |
| SIMEX, doğrusal dışkestirim: jackknife SH | 0,01526004 | 0,01526004 | 0,01526004 | 4,5e−17 | ✓ |
| SIMEX, B=100: bel çevresi | 0,3146315 | 0,3146315 | 0,3146315 | 9,4e−16 | ✓ |
| SIMEX, üç ortak değişken: bel çevresi | 0,12839302 | 0,12839302 | 0,12839302 | 2,3e−15 | ✓ |
| SIMEX, üç ortak değişken: jackknife SH | 0,01758187 | 0,01758187 | 0,01758187 | 4,2e−17 | ✓ |
Ölçütü karşılayan: 57/59. Python: normal denklemler ve Rosner formülleri (numpy; mecor ve simex kullanılmadan); SIMEX'te R'nin rastgele sayı dizisi Python'da yeniden kurulmuştur. R: stats::lm, açık formüller ve set.seed + rnorm döngüsü. "Analitik Jacobian" satırlarındaki fark, şablonun çağırdığı paketin delta yönteminde ileri fark (adım 10^{-4}) kullanmasından gelir (37.4.3).
SIMEX satırları rastgele sayı içerdiği hâlde üç hesap on basamakta örtüşür: Python ve R aynı tohumla aynı gürültü dizisini üretir ve şablonun çağırdığı paketle aynı sırayla kullanır. Ölçütü aşan iki satır, analitik Jacobian ile paketin ileri farklı Jacobian'ı arasındaki farktır (37.4.3); "ileri fark" satırları şablonla tam örtüşür.
37.7 Çıktıyı okuma
Örnek ayarın metin çıktısı:
n = 650; hatalı yordayıcı: wc; düzen: iç doğrulama
"Düzeltilmemiş (naif) model" tablosu Adım 1'deki değerleri t ve p ile birlikte verir. "Regresyon kalibrasyonu ile düzeltilmiş model (Rosner; delta yöntemi SH, %95 GA)" tablosu:
| terim | kestirim | SH | GA_alt | GA_ust |
|---|---|---|---|---|
| (Sabit) | 0,473398 | 0,146766 | 0,185743 | 0,761054 |
| vat | 0,207598 | 0,034210 | 0,140549 | 0,274648 |
| sex | −0,438453 | 0,079596 | −0,594458 | −0,282448 |
| age | 0,009478 | 0,002598 | 0,004385 | 0,014570 |
| tbf | 0,270864 | 0,036662 | 0,199007 | 0,342721 |
Üçüncü tablo, "Kalibrasyon modeli (vat ~ wc + Z; doğrulama n = 275, R² = 0.7162)", Adım 2'deki katsayıları verir.
Bilinen varyans düzeninde (çalıştırma 5) metin n = 650; hatalı yordayıcı: wc; düzen: bilinen hata varyansı olur ve dört tablo gelir: naif model; "Regresyon kalibrasyonu ile düzeltilmiş katsayılar (τ² = 0.25; güvenilirlik oranı, ortak değişkenler verildiğinde = 0.7977)" (ortak değişken yaş); SIMEX tablosu; SIMEX yolu.
| terim | kestirim | SH_jackknife | GA_alt | GA_ust | p |
|---|---|---|---|---|---|
| (Sabit) | −0,045352 | 0,156315 | −0,351723 | 0,261019 | 0,772 |
| wc | 0,310727 | 0,016797 | 0,277806 | 0,343649 | 2{,}1\cdot10^{-76} |
| age | 0,011306 | 0,002804 | 0,005810 | 0,016802 | 5{,}5\cdot10^{-5} |
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Başlık satırı | n (tam gözlem), hatalı yordayıcı, düzen | n, referansı eksik bireyleri de içerir. |
| Naif tablo | X^{\ast} ile kurulan EKK modeli | Karşılaştırma noktasıdır: bel çevresi 0,097. Bu, "bel çevresinin" katsayısıdır; yanlış değildir, ama iç yağ dokusunun etkisi değildir. |
| Düzeltilmiş tablo, yordayıcı satırı | Gerçek değişkenin katsayısı, delta SH, GA | İç yağ dokusu bir birim (bir standart sapma) arttığında log insülin direnci 0,208 artar (GA 0,141–0,275). Satır referans sütununun adını taşır. |
| Düzeltilmiş tablo, öteki satırlar | Ortak değişkenlerin düzeltilmiş katsayıları | Cinsiyet farkı −0,71'den −0,44'e, toplam yağ 0,39'dan 0,27'ye iner; naif model bu değişkenlere iç yağın etkisinden pay yazmıştır. |
| Kalibrasyon tablosu ve R^2 | X\sim X^{\ast}+\mathbf Z katsayıları | \hat\lambda_1=0{,}467 düzeltmenin böleni; R^2 düşükse düzeltilmiş SH büyür. |
| "güvenilirlik oranı" (başlıkta) | 1-\tau^2/\operatorname{Var}(X^{\ast}\mid\mathbf Z) (ortak değişken yoksa \operatorname{Var}(X^{\ast})) | Düzeltmede kullanılan orandır; ortak değişken varken marjinal orandan küçüktür (37.4.5). |
| SIMEX tablosu | Katsayı, jackknife SH, normal GA ve p | Regresyon kalibrasyonu tablosuyla birlikte okunur; ikinci derece SIMEX genellikle biraz küçük kalır. |
| SIMEX yolu | \lambda=-1 (dışkestirim), 0 (naif) ve seçilen λ'larda ortalama katsayı | Katsayı λ ile düzgün azalmalıdır; düzensizlik B'nin küçük olduğunu gösterir. |
| "Uyarılar:" satırı | Paket uyarıları | Varsa sonuçlar gözden geçirilir. |
Şekil 37.1. Şablonun şekli, iç doğrulama düzeni: doğrulama alt örnekleminde (275 birey) bel çevresine karşı iç yağ dokusu ve basit regresyon doğrusu. Doğrunun eğimi 1'den küçüktür; saçılım, bel çevresinin iç yağı tek başına ancak kısmen belirlediğini gösterir.

Şekil 37.2. Şablonun şekli, bilinen varyans düzeni (B=1000): λ = 0 (naif) ve dört λ değerinde bel çevresi katsayısının ortalaması, ikinci derece eğri ve λ = −1'deki dışkestirim (üçgen).

Rapor cümlesi:
İç yağ dokusu 650 bireyin 275'inde ölçülmüştü; öteki bireylerde bel çevresi kullanıldı ve katsayılar regresyon kalibrasyonuyla düzeltildi (kalibrasyon modeli doğrulama alt örnekleminde, R^2 = 0{,}72; standart hatalar delta yöntemiyle). Bel çevresinin düzeltilmemiş katsayısı 0,097 (SH = 0,014) iken, iç yağ dokusunun düzeltilmiş katsayısı 0,208 olarak kestirildi (SH = 0,034; %95 GA 0,141–0,275). Düzeltmeyle cinsiyet farkı −0,710'dan −0,438'e, toplam vücut yağının katsayısı 0,388'den 0,271'e indi.
37.8 Sık hatalar ve tuzaklar
- Ölçüm sütunlarında sayı olmayan değer bırakmak. Sonuç, hatalı yordayıcı ve referans sütunları
mq_sayisalile sayıya çevrilir: veri sekmesinde "kategorik" türde duran ama sayı içeren bir sütun değerleriyle okunur (üç ölçüm sütunu bir ondalığa yuvarlanmış kurgusal kopyada iç yağ katsayısı 0,2064'tür; sonuç, hatalı yordayıcı ya da referans sütunu kategorik türdeyken de aynıdır). Sayıya çevrilemeyen bir değer varsa (ör.1,5gibi virgüllü yazım ya da metin) ileti sütunu ve değer sayısını söyler; ondalık ayırıcı noktadır. Ortak değişkenlerde durum farklıdır: kategorik ortak değişken bilerek gösterge sütunlarına açılır. - \tau^2'yi yanlış ölçekte vermek. \tau^2, X^{\ast}'ın veri dosyasındaki birimiyle ifade edilen hata varyansıdır. Değişken standartlaştırılmışsa \tau^2 de standartlaştırılmış ölçekte olmalıdır; güvenilirlik katsayısı \rho biliniyorsa \tau^2=(1-\rho)\operatorname{Var}(X^{\ast}). Standart sapma yerine varyans, varyans yerine standart sapma yazmak düzeltmeyi kökten değiştirir.
- Başlıktaki oranı marjinal sanmak. Başlıktaki güvenilirlik oranı düzeltmede kullanılan orandır; ortak değişken varken koşullu orandır ve başlık bunu söyler. Üç ortak değişkenli modelde başlık 0,6835 yazar (marjinal oran 0,7988'dir); naif katsayı bu orana bölünür (0,0970 → 0,1419).
- SIMEX'i tek çalıştırmayla ve küçük B ile raporlamak. Üçüncü ondalık tohumla ve B ile değişir: aynı ayarda B=1000 ile 0,3107 ve 0,3119 (iki tohum), B=100 ile 0,3146 elde edilmiştir. Şekildeki noktalar eğrinin çevresinde saçılıyorsa B artırılır.
- SIMEX ile regresyon kalibrasyonunun aynı sayıyı vermesini beklemek. İkinci derece dışkestirim doğrusal modelde eksik düzeltir (0,3107 ↔ 0,3213). İkisi arasındaki fark büyükse (hata varyansı büyükse fark da büyür) doğrusal modelde regresyon kalibrasyonu esas alınır.
- Klasik hata varsayımını sorgulamamak. Bilinen varyans düzeni X^{\ast}=X+U varsayar. Hata Berkson türündeyse (X=X^{\ast}+U; herkese grup ortalaması atanması gibi) naif eğim zaten yansızdır ve düzeltme katsayıyı şişirir. Sistematik hata (ölçek kayması) varsa iç doğrulama düzeni gerekir.
- Doğrulama alt örnekleminin rastgele seçilmemesi. Referans ölçüm yalnız belli bir gruba (ör. yüksek riskli bireylere) yapıldıysa kalibrasyon modeli bütün örneklemi temsil etmez. Seçim ortak değişkenlere bağlıysa o değişkenler modele alınır.
- Diferansiyel hata. Ölçüm hatası sonuca bağlıysa (hastalar geçmiş maruziyeti farklı hatırlıyorsa) her iki yöntem de yanlıdır.
- Ortak değişkenlerin katsayılarını naif tablodan okumak. Yalnız hatalı yordayıcının değil, onunla ilişkili bütün ortak değişkenlerin katsayıları değişir. Rapora düzeltilmiş tablonun bütün satırları alınır.
- λ değerlerinde ondalık virgül kullanmak. Virgül ayırıcıdır.
0,5; 1; 1,5; 2sıralama denetimine takılır ve ileti ondalık ayırıcının nokta olduğunu söyler;1,2ise 1 ve 2 olarak okunur ve çalışır. Ondalık ayırıcı noktadır. - Referansı her satırda dolu veriyle düzeltme yapmak. Şablon uyarır ve yine de hesaplar; doğrudan referansla kurulan model daha etkilidir.
37.9 Uzman soruları
S1. Standart hatalar hangi belirsizlikleri içeriyor?
İç doğrulamada, standart yöntemde, hem naif modelin hem kalibrasyon modelinin örnekleme belirsizliğini (37.4.3). Kalibrasyon terimi ihmal edilemez: örnek veride eğimin varyansının %25'idir (SH 0,0295 ↔ 0,0342). İki modelin kestirimleri bağımsız sayılır; doğrulama bireyleri iki modelde de bulunduğu için bu bir yaklaşımdır. Bilinen varyans düzeninde regresyon kalibrasyonu tablosu SH vermez; \tau^2 bilinen sayı sayıldığından onun belirsizliği hiçbir tabloya girmez.
S2. Delta yöntemi yerine bootstrap ya da Fieller aralığı kullanılabilir mi?
Kullanılabilir ve küçük doğrulama örnekleminde yeğlenir: düzeltilmiş eğim bir orandır (\hat\beta^{\ast}/\hat\lambda_1) ve payda sıfıra yakınken dağılımı çarpıktır. mecor her ikisini de sunar; şablon paketi B = 0 ile çağırır ve yalnız delta aralığını yazar. Örnek veride \hat\lambda_1/\operatorname{SH}=12 olduğundan delta aralığı yeterlidir. Bootstrap aralığı gerekiyorsa bootstrap_ozel şablonunda naif ve kalibrasyon modelleri birlikte yeniden örneklenir.
S3. Etkin regresyon kalibrasyonunun SH'si neden bu kadar küçük?
Yöntem doğrulama alt örnekleminin sonuç bilgisini ikinci kez kullanır: orada X gözlendiği için gerçek model doğrudan kestirilebilir (0,1958; SH 0,0262) ve bu, Rosner kestirimiyle (0,2076; SH 0,0342) birleştirilir (0,2000; SH 0,0208). Kazancın bir bölümü gerçektir; bir bölümü, aynı bireyleri paylaşan iki kestirimin bağımsız sayılmasından gelir. Yöntemin kuramsal dayanağı Spiegelman, Carroll ve Kipnis'tedir (2001). Tutucu raporlama için standart yöntem, etkinlik için etkin yöntem seçilir; ikisi birlikte verilirse okur farkı görür.
S4. Ortak değişken eklemek neden zayıflamayı artırıyor?
Zayıflamayı belirleyen, X^{\ast}'ın ortak değişkenlerce açıklanamayan varyansı içindeki hata payıdır. \mathbf Z, X^{\ast}'ı iyi açıklıyorsa geriye kalan varyans küçülür, ama \tau^2 aynı kalır. Örnek veride yalnız yaşla koşullu varyans 1,2358, cinsiyet ve toplam yağ eklenince 0,7898'dir; güvenilirlik oranı 0,798'den 0,683'e iner. Bu, "çok değişkenli modelde ölçüm hatası daha zararlıdır" kuralının sayısal karşılığıdır.
S5. SIMEX'te λ ızgarası ve B nasıl seçilir?
Varsayılan ızgara (0,5; 1; 1,5; 2) Cook ve Stefanski'nin önerisidir. Daha sık ızgara dışkestirim eğrisini pek değiştirmez; üst sınırı büyütmek eğriyi daha doğrusal bölgeye taşır ve eksik düzeltmeyi artırır. B benzetim hatasını belirler: hata 1/\sqrt B ile küçülür (örnek veride 0,0021 → 0,0005). İki değerli bir ızgara (\lambda=1;\ 2) ikinci derece eğriyi üç noktadan (0 dahil) tam geçirir; uyum değerlendirilemez.
S6. Jackknife SH ile asimptotik SH farklı mı?
Örnek veride yakındır: B=200 çalıştırmasında bel çevresi için jackknife 0,01710, asimptotik 0,01756. Jackknife varyans dışkestirimi yalnız benzetim çıktılarını kullanır ve her model sınıfında hesaplanabilir; asimptotik SH kestirim denklemlerinin sandviç biçimine dayanır ve paket onu yalnız doğrusal ve genelleştirilmiş doğrusal modellerde, sabit hata varyansıyla sunar. Varyans dışkestirimi negatif bir köşegen öğesi verirse (küçük B'de olabilir) SH hesaplanamaz; B artırılır.
S7. Düzeltilmiş model için R² ya da artık varyansı verilebilir mi?
Şablon vermez. Düzeltilmiş katsayılar gözlenmeyen X'e aittir; X gözlenmediği için artıklar hesaplanamaz. Kuramsal olarak gerçek modelin artık varyansı \sigma^2_{\varepsilon}=\sigma^2_{\varepsilon^{\ast}}-\beta_X^2\,\operatorname{Var}(X\mid X^{\ast},\mathbf Z)'dir; iç doğrulamada ikinci terim kalibrasyon modelinin artık varyansından kestirilebilir.
S8. Birden çok hatalı yordayıcı ya da yinelemeli ölçüm varsa?
Şablon tek hatalı yordayıcı alır. İki hatalı yordayıcıda hataların kovaryansı da gerekir ve düzeltme matris biçiminde yapılır; mecor bunu desteklemez. Yinelemeli ölçümler varsa \tau^2 onlardan kestirilir (birey içi varyans; ortalama kullanılıyorsa yineleme sayısına bölünür) ve şablona bilinen varyans olarak verilir; bu durumda \tau^2'nin kestirim belirsizliği SH'ye yansımaz.
S9. Naif modelin t testi geçerli mi; düzeltme anlamlılığı değiştirir mi?
"Hatalı yordayıcının katsayısı sıfırdır" hipotezi için naif test geçerlidir: klasik, diferansiyel olmayan hatada \beta_X=0 ise \beta_X^{\ast}=0'dır. Düzeltme katsayıyı ve SH'yi yaklaşık aynı oranda büyütür; z oranı pek değişmez, yalnız kalibrasyon belirsizliği kadar küçülür (naif 7,03; düzeltilmiş 0{,}2076/0{,}0342=6{,}07). Düzeltmenin amacı anlamlılığı değil, etkinin büyüklüğünü doğru vermektir. Ortak değişkenlerin testleri için durum farklıdır: naif katsayıları yanlı olduğundan testleri de yanıltıcı olabilir.
37.10 Kaynaklar
- Carroll, R. J., Küchenhoff, H., Lombard, F., & Stefanski, L. A. (1996). Asymptotics for the SIMEX estimator in nonlinear measurement error models. Journal of the American Statistical Association, 91(433), 242–250. https://doi.org/10.1080/01621459.1996.10476682
- Carroll, R. J., Ruppert, D., Stefanski, L. A., & Crainiceanu, C. M. (2006). Measurement error in nonlinear models: A modern perspective (2. baskı). Chapman & Hall/CRC. https://doi.org/10.1201/9781420010138
- Cook, J. R., & Stefanski, L. A. (1994). Simulation-extrapolation estimation in parametric measurement error models. Journal of the American Statistical Association, 89(428), 1314–1328. https://doi.org/10.1080/01621459.1994.10476871
- de Mutsert, R., den Heijer, M., Rabelink, T. J., Smit, J. W. A., Romijn, J. A., Jukema, J. W., de Roos, A., Cobbaert, C. M., Kloppenburg, M., le Cessie, S., Middeldorp, S., & Rosendaal, F. R. (2013). The Netherlands Epidemiology of Obesity (NEO) study: Study design and data collection. European Journal of Epidemiology, 28(6), 513–523. https://doi.org/10.1007/s10654-013-9801-3
- Fuller, W. A. (1987). Measurement error models. Wiley. https://doi.org/10.1002/9780470316665
- Keogh, R. H., Shaw, P. A., Gustafson, P., Carroll, R. J., Deffner, V., Dodd, K. W., Küchenhoff, H., Tooze, J. A., Wallace, M. P., Kipnis, V., & Freedman, L. S. (2020). STRATOS guidance document on measurement error and misclassification of variables in observational epidemiology: Part 1—Basic theory and simple methods of adjustment. Statistics in Medicine, 39(16), 2197–2231. https://doi.org/10.1002/sim.8532
- Lederer, W., & Seibold, H. (2019). simex: SIMEX- and MCSIMEX-algorithm for measurement error models (R paketi, sürüm 1.8). https://doi.org/10.32614/CRAN.package.simex
- Nab, L. (2021). mecor: Measurement error correction in linear models with a continuous outcome (R paketi, sürüm 1.0.0). https://CRAN.R-project.org/package=mecor
- Nab, L., van Smeden, M., de Mutsert, R., Rosendaal, F. R., & Groenwold, R. H. H. (2021). Sampling strategies for internal validation samples for exposure measurement-error correction: A study of visceral adipose tissue measures replaced by waist circumference measures. American Journal of Epidemiology, 190(9), 1935–1947. https://doi.org/10.1093/aje/kwab114
- Nab, L., van Smeden, M., Keogh, R. H., & Groenwold, R. H. H. (2021). mecor: An R package for measurement error correction in linear regression models with a continuous outcome. Computer Methods and Programs in Biomedicine, 208, 106238. https://doi.org/10.1016/j.cmpb.2021.106238
- R Core Team. (2026). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
- Rosner, B., Spiegelman, D., & Willett, W. C. (1990). Correction of logistic regression relative risk estimates and confidence intervals for measurement error: The case of multiple covariates measured with error. American Journal of Epidemiology, 132(4), 734–745. https://doi.org/10.1093/oxfordjournals.aje.a115715
- Spiegelman, D., Carroll, R. J., & Kipnis, V. (2001). Efficient regression calibration for logistic regression in main study/internal validation study designs with an imperfect reference instrument. Statistics in Medicine, 20(1), 139–160. https://doi.org/10.1002/1097-0258(20010115)20:1<139::AID-SIM644>3.0.CO;2-K
- Stefanski, L. A., & Cook, J. R. (1995). Simulation-extrapolation: The measurement error jackknife. Journal of the American Statistical Association, 90(432), 1247–1256. https://doi.org/10.1080/01621459.1995.10476629