論文の概要: Measurement Error in Nutritional Epidemiology: A Survey
- arxiv url: http://arxiv.org/abs/2004.06448v2
- Date: Mon, 13 Jul 2020 09:35:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 09:13:22.736815
- Title: Measurement Error in Nutritional Epidemiology: A Survey
- Title(参考訳): 栄養疫学における測定誤差の検討
- Authors: Huimin Peng
- Abstract要約: 本稿では,栄養疫学分野における露出変数の測定誤差のバイアス補正モデルについてレビューする。
測定誤差の影響により, パラメータ推定は保守的であり, 傾斜パラメータの信頼区間が狭すぎる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article reviews bias-correction models for measurement error of exposure
variables in the field of nutritional epidemiology. Measurement error usually
attenuates estimated slope towards zero. Due to the influence of measurement
error, inference of parameter estimate is conservative and confidence interval
of the slope parameter is too narrow. Bias-correction in estimators and
confidence intervals are of primary interest. We review the following
bias-correction models: regression calibration methods, likelihood based
models, missing data models, simulation based methods, nonparametric models and
sampling based procedures.
- Abstract(参考訳): 本稿では,栄養疫学分野における露出変数の測定誤差のバイアス補正モデルについてレビューする。
測定誤差は通常、推定傾きをゼロに減衰させる。
測定誤差の影響により、パラメータ推定の推測は保守的であり、斜面パラメータの信頼区間は狭すぎる。
推定値と信頼区間のバイアス補正が主な関心事である。
本稿では, 回帰校正法, 確率ベースモデル, 欠落データモデル, シミュレーションベース法, 非パラメトリックモデル, サンプリングベース手順など, バイアス補正モデルについて検討する。
関連論文リスト
- Debiased high-dimensional regression calibration for errors-in-variables log-contrast models [0.999726509256195]
腸内マイクロバイオームとメダゲノミクスデータを分析する上での課題により,高次元回帰モデルにおける測定誤差の問題に対処することを目的としている。
本稿では,誤測定や汚染データの影響を受け,高次元構成データに対する統計的推測を行うための先駆的な取り組みを示す。
論文 参考訳(メタデータ) (2024-09-11T18:47:28Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - Identifiable causal inference with noisy treatment and no side information [6.432072145009342]
本研究では,不正確な連続処理変数を仮定するモデルを提案する。
我々は,提案モデルの因果効果の推定値が,側情報や測定誤差の分散に関する知識がなくても同定可能であることを証明した。
我々の研究は、信頼できる因果推論を行うアプリケーションの範囲を広げている。
論文 参考訳(メタデータ) (2023-06-18T18:38:10Z) - Distribution-Free Model-Agnostic Regression Calibration via
Nonparametric Methods [9.662269016653296]
予測モデルの量子化を特徴付けるための個別キャリブレーションの目的について考察する。
既存の方法はほとんどなく、個々のキャリブレーションに関して統計的な保証が欠如している。
基礎となる予測モデルに依存しない単純な非パラメトリックキャリブレーション法を提案する。
論文 参考訳(メタデータ) (2023-05-20T21:31:51Z) - Calibration of Neural Networks [77.34726150561087]
本稿では,ニューラルネットワークの文脈における信頼性校正問題について調査する。
我々は,問題文,キャリブレーション定義,評価に対する異なるアプローチについて分析する。
実験実験では、様々なデータセットとモデルをカバーし、異なる基準に従って校正方法を比較する。
論文 参考訳(メタデータ) (2023-03-19T20:27:51Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳(メタデータ) (2022-11-11T19:34:17Z) - Prediction Errors for Penalized Regressions based on Generalized
Approximate Message Passing [0.0]
C_p$ criterion, Information criteria, and leave-one-out Cross Validation (LOOCV) error。
GAMPの枠組みでは,推定値の分散を利用して情報基準を表現できることが示されている。
論文 参考訳(メタデータ) (2022-06-26T09:42:39Z) - Why Calibration Error is Wrong Given Model Uncertainty: Using Posterior
Predictive Checks with Deep Learning [0.0]
キャリブレーション誤差とその変種が、モデルの不確実性によってほとんど常に正しくないことを示す。
このミスがいかにして悪いモデルへの信頼と良いモデルへの信頼につながるかを示します。
論文 参考訳(メタデータ) (2021-12-02T18:26:30Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z) - An Investigation of Why Overparameterization Exacerbates Spurious
Correlations [98.3066727301239]
この動作を駆動するトレーニングデータの2つの重要な特性を特定します。
モデルの"記憶"に対する帰納的バイアスが,パラメータ化の超過を損なう可能性を示す。
論文 参考訳(メタデータ) (2020-05-09T01:59:13Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-02-13T15:55:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。