論文の概要: Distinguishing case-mix from context heterogeneity in prognostic regression model synthesis settings

• arxiv url: http://arxiv.org/abs/2608.12885v1
• Date: Thu, 13 Aug 2026 07:04:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.417001
• Title: Distinguishing case-mix from context heterogeneity in prognostic regression model synthesis settings
• Title（参考訳）: 確率回帰モデル合成設定における文脈不均一性からのケースミックスの識別
• Abstract要約: 確率回帰モデルは、しばしば複数のサイトからデータを合成する。 ここでは、サイトは、病院、レジストリ、トライアル、研究などのデータソースであり、物理的なセンタである必要はない。 アナリストは、1つの回帰モデルがすべてのサイトを表すのか、それともサイト固有のモデルが必要なのかを決定する必要がある。
• 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: Prognostic regression models often synthesize data from multiple sites, whether within a multi-site study, across federated settings, or in individual participant data meta-analysis. Here, a site is any data source, such as a hospital, registry, trial, or study, and need not be a physical center. Analysts must then decide whether one regression model represents all sites or whether site-specific models are needed. Established measures such as coefficient-level tau^2 quantify heterogeneity but do not distinguish its source. We focus on diagnosing whether coefficient heterogeneity reflects case-mix or site-specific context effects. Case-mix heterogeneity can arise when linear regression terms approximate multivariable non-linear relationships in populations with different covariate distributions. Contextual heterogeneity arises when comparable patients require different regression relationships across sites. We do this by fitting site-specific local regressions in a dimension-reduced space and partitioning the smoothed coefficient surfaces into a cross-site reference and site-specific deviations. An autoencoder and custom loss structure the latent space around local prognostic relationships. We then project this partition onto the outcome scale to derive observation- and site-level summaries. We demonstrate the approach on a COPD trial with two sites. In the three leading latent slope coordinates, coefficient-surface variation was predominantly contextual. The derived observation-level outcome-scale variance partition was case-mix-leading, whereas its between-site aggregation was concentrated in contextual differences rather than case-mix shifts. A permuted-site negative control assesses whether the contextual summary can arise when site labels carry no signal. This diagnostic distinction can inform whether joint or site-specific regression models should be evaluated.
• Abstract（参考訳）: 確率回帰モデルはしばしば複数のサイトからデータを合成する。 ここでは、サイトは、病院、レジストリ、トライアル、研究などのデータソースであり、物理的なセンタである必要はない。 アナリストは、一つの回帰モデルがすべてのサイトを表すのか、それともサイト固有のモデルが必要なのかを判断しなければならない。 係数レベル tau^2 のような確立された測度は不均一性を定量化するが、その原点を区別しない。 我々は,係数の不均一性がケースミックスやサイト固有の文脈効果を反映するかどうかの診断に焦点をあてる。 ケースミックスの不均一性は、異なる共変量分布を持つ集団において、線形回帰項が多変数非線型関係を近似する場合に生じる。 コンテクストの不均一性は、類似した患者がサイト間で異なる回帰関係を必要とする場合に生じる。 これを実現するために,次元還元空間にサイト固有局所回帰を組込み,滑らかな係数曲面をクロスサイト参照とサイト固有偏差に分割する。 オートエンコーダとカスタムロス構造は局所的確率的関係を取り巻く潜在空間である。 次に、この分割を結果尺度に投影して、観測レベルとサイトレベルの要約を導出します。 2つのサイトを用いた COPD トライアルのアプローチを実演する。 3つの鉛直傾斜座標において,係数-表面の変動は主として文脈的であった。 得られた観測レベルの結果スケールのばらつきはケース・ミックス・リードであり, ケース・ミックス・シフトよりも文脈的差異が中心であった。 置換サイト負の制御は、サイトラベルが信号を持たないときに文脈的要約が発生するかどうかを評価する。 この診断の区別は、関節または部位特異的回帰モデルを評価する必要があるかどうかを知らせることができる。

関連論文リスト

• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• A Deep Learning Model for Spatially Clustered Data via Differentiable Cluster Assignment [2.5782420501870296]
  分割とクラスタ固有の回帰関数を共同で学習するために,非パラメトリック推定器を提案する。 提案手法の有効性と有効性を示すために,実データ解析を行う。
  論文  参考訳（メタデータ） (2026-08-15T01:39:56Z)
• Augmented transfer regression learning for completely missing covariates [0.8603348174612194]
  大規模な集団レベルのデータセットは、遺伝的、ライフスタイルなどの特定の分析に必要な共変量を持たないことが多いが、関連する研究はそれらを測定している。 これにより、クロスポピュレーションの欠落したデータ問題が発生する。 本稿では,この設定のための拡張転送回帰学習法を提案する。
  論文  参考訳（メタデータ） (2026-05-06T03:48:28Z)
• Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression [102.24287051757469]
  深部異方性回帰における自己教師付き共分散推定について検討する。 正規分布の間の2-ワッサーシュタイン距離の上界を導出する。 幅広い合成データセットと実データセットに対する実験により、提案された2-ワッサーシュタインと擬似ラベルアノテーションが結合した結果、計算的に安価で正確な深部ヘテロ代用回帰が導かれることが示された。
  論文  参考訳（メタデータ） (2025-02-14T22:37:11Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Bayesian Federated Inference for regression models based on non-shared multicenter data sets from heterogeneous populations [0.0]
  回帰モデルでは、サンプルサイズは予測器の数に対して十分な大きさでなければならない。 異なる(医療)センターで収集された異なるデータセットからデータをポーリングすることはこの問題を軽減するが、プライバシー規制やロジスティックな問題のためにしばしば実現不可能である。 別の方法は、センター内のローカルデータを別々に分析し、統計的推測結果とベイズ連邦推論(BFI)手法を組み合わせることである。 このアプローチの目的は、組み合わせたデータに対して統計的解析を行った場合、何を発見したのかを、別々の中心における推論結果から計算することである。
  論文  参考訳（メタデータ） (2024-02-05T11:10:27Z)
• 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)
• Logistic Regression Equivalence: A Framework for Comparing Logistic Regression Models Across Populations [4.518012967046983]
  本研究は, 個体群差に対する既定寛容レベルの同値試験が, 推論の精度を高めることを論じる。 診断データについては、等価モデルと等価でないモデルの例を示す。
  論文  参考訳（メタデータ） (2023-03-23T15:12:52Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
  一般化は、見えないデータを分類するモデルの能力をキャプチャする。 不変性はデータの変換におけるモデル予測の一貫性を測定する。 データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
  論文  参考訳（メタデータ） (2022-07-14T17:08:25Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Spatially and Robustly Hybrid Mixture Regression Model for Inference of Spatial Dependence [15.988679065054498]
  本研究では,空間領域上での応答変数と説明変数の集合との関係を検討するために,空間ロバスト混合回帰モデルを提案する。 本手法は, 空間的非定常性, 局所的均一性, 外れ値の同時処理を行うために, 空間的制約を伴う頑健な有限混合ガウス回帰モデルを統合する。 多くの合成および実世界のデータセットに対する実験結果から,提案手法のロバスト性,精度,有効性が確認された。
  論文  参考訳（メタデータ） (2021-09-01T16:29:46Z)

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。