- 发布日期：2024-08-24 08:44 点击次数：74
关于分类瞻望模子的弘扬评估咱们最常见的策画就是ROC弧线，论说AUC。比如有两个模子，咱们去比拟下两个模子AUC的大小，进而得出两个模子弘扬的优劣。这个是咱们惯例的作念法，淌若咱们的究诘顺心点放在“在原模子新引入一个瞻望变量，模子的恶果会不会普实时”，这个时期ROC就时常会显牛逼不从心，因为时常加入一个变量AUC不会有太大的变化【AVSA-018】涙目フェラ，且AUC不好阐发。
When evaluating the improvement of predictive performance of a predictive model after incorporating a new marker, the improvement of C-Statistic/AUC is always small, therefore the new marker sometimes fails to significantly improve C-Statistic/AUC.
这时，就需要用到咱们今天要讲的详细判别改善指数IDI, 净重分类指数NRI策画。
Two new metrics, the integrated discrimination improvement (IDI) and net reclassification improvement (NRI), have been rapidly adopted to quantify the added value of a biomarker to an existing test.
净重分类指数NRI一个新的策画不详新的模子是不是会普及分类恶果，最终会体咫尺东谈主数上，从这个角度计议，咱们不错去对比两个模子不详不同的策画对究诘对象的正确分离情况，从而得到论断。
就是说咱们的旧模子会把究诘对象分类为患者和非患者，新的模子也会把究诘对象分类为患者和非患者。此时比拟新、旧模子关于究诘东谈主群的分类变化，就会发现存一部分究诘对象本来在旧模子中被错分，但在新模子中得到了正确分离；相似也有一部分究诘对象，本来在旧模子平分类正确，但在模子中却被错分，因此究诘对象的分类在新、旧模子中会发生变化，咱们摆布这种从新分类的变化，来计较净从新分类指数NRI。
为了更好纠合这种变化咱们看下表：
图片【AVSA-018】涙目フェラ
在table3中，c1是原来模子莫得瞻望对，新模子瞻望对的，相似的真谛真谛，b1是原来模子瞻望对，但新模子给瞻望错的，于是(c1 − b1)/N1即是疾病组不详event组增多的重分类的正确比。
相似咱们不错得到非疾病组中（table 4）中增多的重分类正确比为(b2 − c2)/N2。
The NRIevents is the net proportion of patients with events reassigned to a higher risk category and the NRInonevents is the number of patients without events reassigned to a lower risk category
于是NRI = (c1 − b1)/N1 + (b2 − c2)/N2
因为NRI示意的是重分类的正确个案占比的增多量，是以NRI>0，则为正改善，阐发新模子比旧模子的瞻望智商有所改善；若NRI<0，则为负改善，新模子瞻望智商着落；若NRI=0，则合计新模子莫得改善。
详细判别改善指数IDI刚刚咱们先容了NRI，NRI是从新旧模子的对个案瞻望正确数目占比增多的角度评估模子的，再换一种想路咱们不错从概率增多的角度反馈模子的优劣。
就是说在疾病组，模子瞻望阳性的概率要尽可能大，在非疾病组模子瞻望阳性的概率要尽可能小，通过模子的瞻望概率差值还是不错得到一个评价指数。淌若新模子比原模子：在阳性组，瞻望阳性的概率比旧模子的大；在阴性组，瞻望阳性的概率比旧模子的小。那么就不错阐发新模子比旧模子好。
这个指数就是IDI
IDI = (Pnew,events–Pold,events) – (Pnew,non-events – Pold,non-events)
其中Pnew,events示意在疾病组新模子的瞻望阳性概率，Pold,non-events示意在非疾病组旧模子的瞻望阳性概率。
就是说，IDI就等于疾病组新旧模子的瞻望阳性概率的差值减去非疾病组新旧模子瞻望阳性概率的差值（因为关于非疾病组模子瞻望阳性的概率应该是越小越好，是以中间是减号）这么IDI越大越阐发新模子比旧模子瞻望恶果更好。若IDI＞0，则为正改善，阐发新模子比旧模子的瞻望智商有所改善，若IDI＜0，则为负改善，新模子瞻望智商着落，若IDI=0，则合计新模子莫得改善。
作念法实操在R讲话中咱们不错用reclassification函数很浅易地得到NRI和IDI，这个函数领受5个参数，参数阐发如下图：
图片
第一个是data是原始数据集，cOutcome参数是结局在原始数据靠拢的列的位置，比如原来数据集第二列是结局变量，cOutcome就设定为2；然后纪律是旧模子和新模子的瞻望风险值，临了一个参数cutoff是模子分类的风险值截断点。
比如我咫尺罕有据集如下
图片
结局在数据集的第二列，我想比拟唯有age、sex的模子1和有age、sex、education的模子2，在设定瞻望风险值0.5为类别分离圭臬时两个模子的分类弘扬。在拟合好model1和model2后我不错写出如下代码：
model1 <- glm(formula = `outcome(AMD)` ~Age +Sex, family = binomial("logit"), data = Data)model2 <- glm(formula = `outcome(AMD)` ~Age +Sex+ Education, family = binomial("logit"), data = Data) predRisk1 <- predRisk(model1)predRisk2 <- predRisk(model2)cutoff <- c(0,.5,1) reclassification(data=ExampleData, cOutcome=cOutcome, predrisk1=predRisk1, predrisk2=predRisk2, cutoff)首先代码后输出驱散如下：
图片
不错看到在风险截断值为0.5的时期NRI(Categorical)为0，阐发增多edu的模子并莫得使得分类模子变得更好。同期驱散中也给出了NRI(Continuous)和IDI的点臆想、p值和置信区间。均不错在论文中加以论说。
到这儿NRI和IDI就给环球先容完毕，环球以后在进行2个疾病模子比拟，不详2个策画会诊遵循比拟时，除了传统的ROC弧线过火AUC，也不错同期给出NRI和IDI，愈加全面多档次的展示模子的改善情况。
when comparing diagnostic power of two markers or comparing two predictive models, we could use not only AUC、C-statistics but also NRI and IDI, which could give a comprehensive perspective on how much the predictive performance improves.
we could not calculate NRI or IDI of one predictive model. IDI and NRI are calculated from the comparison of two models. One model does not have IDI or NRI.
文件推选：https://cdn.amegroups.cn/journals/amepc/files/journals/16/articles/29812/public/29812-PB1-1696-R4.pdf
小结今天给环球先容了临床瞻望模子中NRI和IDI的纠合和实操，要比模子不错计议用这两个策画，要瞩观点少量是这两个策画均是模子对比才有的，单独的一个模子是无法计较这两个策画的，况兼也有学者提议这两个策画并莫得什么用，环球齐不错去查查文件望望各家之言。感谢环球耐性看完，我方的著作齐写的很细，迫切代码齐在原文中，但愿环球齐不错我方作念一作念，请转发本文到一又友圈后私信回答“数外传合”获得所罕有据和本东谈主汇注的学习府上。淌若对您有效请先铭刻保藏，再点赞共享。
也宽待环球的意见和建议，环球想了解什么统计法子齐不错在著作下留言，说不定我看见了就会给你写教程哦，有疑问宽待私信，有合营意向请告成滴滴我。
淌若你是一个大学本科生或究诘生，淌若你正在因为你的统计功课、数据分析、模子构建,科研统计想象等发愁，淌若你在使用SPSS, R，Mplus中碰到任何问题，齐不错酌量我。因为我不错给您提供最佳的，最详备和耐性的数据分析劳动。
淌若你对Z现实，t现实，方差分析，多元方差分析，回来，卡方现实，酌量，多水平模子，结构方程模子，中介鬈曲，量表信效度等等统计手段有任何问题，请私信我，获得详备和耐性的劝诱。
淌若你或你的团队需要专科的科研数据清洗，建模劳动，素质培训需求等等。请酌量我。
If you are a student and you are worried about you statistical #Assignments, #Data #Analysis, #Thesis, #Reports, #Composing, #Quizzes, Exams.. And if you are facing problem in #SPSS, #R-Programming, #Excel, Mplus, then contact me. Because I could provide you the best services for your Data Analysis.
Are you confused with statistical Techniques like z-test, t-test, ANOVA, MANOVA, Regression, Logistic Regression, Chi-Square, Correlation, Association, SEM, multilevel model, mediation and moderation etc. for your Data Analysis...??
Then Contact Me. I will solve your Problem...
If You or Your Research Team Need Professional Scientific Data Cleaning, Model Building Services or Statistical Consulting... Please Contact Me.
往期精彩R数据分析：反事实框架和因果中介的表面纠合
R数据分析：处置科研中的“可重迭危急”，纠合Rmarkdown
R数据分析：多项式回来与响应面分析的纠合与实操
R数据分析：生计数据的瞻望模子树立法子与评价（二）
R数据分析：生计数据的瞻望模子树立法子与评价
R数据分析：生计分析的列线图的纠合与绘画详备教程
R数据分析：勾通APA体式作图大法讲讲ggplot2和ggsci，请保藏
R数据分析：变量间的非线性相关，多项式，样条回来和可加模子
Mplus数据分析：性别互异gendergap的酌量究诘何如作念？
R机器学习：分类算法之logistics回来分类器的旨趣和兑现
R数据分析：PLS结构方程模子先容，论文论说法子和本色操作
R数据分析：侍从top期刊手把手教你作念一个临床瞻望模子
R数据分析：Lasso回来筛选变量构建Cox模子并绘画列线图
R数据分析：何如用档次聚类分析作念“症状群”，实例操练
R数据分析：器具变量回来与孟德尔当场化，实例剖析
R数据分析：潜类别轨迹模子LCTM的作念法，实例剖析
R文本挖掘：汉文词云生成，以2021新年贺词为例
R机器学习：分类算法之判别分析LDA,QDA的旨趣与兑现
R可视化：plot函数基础操作，小白教程
R机器学习：重迭抽样在机器学习模子树立经由中的地位纠合
R数据分析：用lme4包拟合线性和非线性羼杂效应模子
R数据分析：何如用mice作念多重插补，实例剖析
R数据分析：孟德尔当场化中介的旨趣和实操
R数据分析：生计分析的列线图的纠合与绘画详备教程
R数据分析：cox模子何如作念瞻望，高分著作复现
R数据分析：广义臆想方程式GEE的作念法和阐发
国产自拍R数据分析：潜类别轨迹模子LCTM的作念法，实例剖析
R数据分析:潜变量与降维法子(主要素分析与因子分析)
R数据分析：何如给结构方程画旅途图，tidySEM包详解
R数据分析：自我论说的身高数据的离群值探索
R数据分析：生计分析与有竞争事件的生计分析的作念法和阐发
R机器学习：朴素贝叶斯与救济向量机的旨趣与兑现
R数据分析：羼杂效应模子的可视化阐发，再不懂就真没办法
R数据分析:何如纠合模子中的“边界”，图例展示
R数据分析：tableone包的详备使用先容
R数据分析：何如用lavaan包作念结构方程模子，实例剖析
R机器学习：分类算法之K最邻进算法（KNN）的旨趣与兑现
R数据分析:潜增长模子LGM的作念法和阐发，过火与羼杂模子对比
R数据分析：论文中的轨迹的作念法，潜增长模子和增长羼杂模子
R数据分析：纵向分类结局的分析-马尔可夫多态模子的纠合与实操
R数据分析：临床瞻望模子实操，校准弧线和DCA弧线作念法示例
R数据分析：国产新冠口服药比辉瑞好的著作的统计作念法共享
R数据分析：再写潜在类别分析LCA的作念法与阐发
R数据分析：潜在转动分析LTA的作念法和阐发（一）
R机器学习:分类算法之K最邻进算法(KNN)的旨趣与兑现
R数据分析：交互作用的粗放斜率图作念法及阐发
R数据分析:双连气儿变量交互作用的粗放斜率图作图及阐发【AVSA-018】涙目フェラ
本站仅提供存储劳动，扫数内容均由用户发布，如发现存害或侵权内容，请点击举报。- 【AVSA-018】涙目フェラ 我国“东数西算”长三角要道“1+4”算力平台开动互联互通2024-08-27
- 【AVSA-018】涙目フェラ 三行诗2024-08-27
- 【AVSA-018】涙目フェラ 王楠造3枚6斤金牌，樊振东与陈梦均莫得，郭斌：钱不是大风刮来的2024-08-27
- 【AVSA-018】涙目フェラ 参加烹调课边吃边聊、通过应用相貌找对象 韩国东说念主相亲项目多_大皖新闻 | 安徽网2024-08-26
- 【AVSA-018】涙目フェラ 毛主席说敌进我退，粟裕偏巧遴选敌进我进，为何还能打凯旋？2024-08-26
- 【AVSA-018】涙目フェラ 旅行者锦标赛第三轮金柱亨1杆提高 卡梅隆-杨59杆2024-08-25