热点资讯
软件开发价格 R数据分析：净从新分类(NRI)和详细判别改善（IDI）指数的纠合
发布日期：2024-08-09 07:37 点击次数：143
关于分类谋略模子的发达评估咱们最常见的想法就是ROC弧线，评释AUC。比如有两个模子，咱们去比拟下两个模子AUC的大小，进而得出两个模子发达的优劣。这个是咱们旧例的作念法，若是咱们的征询温情点放在“在原模子新引入一个谋略变量，模子的效率会不会进步时”，这个技术ROC就往往会显过劲不从心，因为时时加入一个变量AUC不会有太大的变化，且AUC不好评释。
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.
上期龙头05，龙头最近10期分别是06 04 02 01 03 07 03 03 01 05，奇偶比为7：3，综合分析，本期龙头参考：03。
赛后，阿根廷队核心梅西接受了媒体采访。他表示：“这届美洲杯的比赛条件非常艰难，场地状况不佳，气温也很高。但我现在正在尽情享受自己职业生涯中的最后一届美洲杯，就像当初享受最后一届世界杯一样，这是我最后的战斗！”
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想法。
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一个新的想法大约新的模子是不是会进步分类效率，最终会体咫尺东说念主数上，从这个角度研讨，咱们不错去对比两个模子大约不同的想法对征询对象的正确分辨情况，从而得到论断。
就是说咱们的旧模子会把征询对象分类为患者和非患者，新的模子也会把征询对象分类为患者和非患者。此时比拟新、旧模子关于征询东说念主群的分类变化，就会发现存一部分征询对象正本在旧模子中被错分，但在新模子中得到了正确分辨；相似也有一部分征询对象，正本在旧模子等分类正确，但在模子中却被错分，因此征询对象的分类在新、旧模子中会发生变化，咱们行使这种从新分类的变化，来蓄意净从新分类指数NRI。
为了更好纠合这种变化咱们看下表：
app开发图片
在table3中，c1是原来模子莫得谋略对，新模子谋略对的，相似的兴味，b1是原来模子谋略对，但新模子给谋略错的，于是(c1 − b1)/N1等于疾病组大约event组加多的重分类的正确比。
相似咱们不错得到非疾病组中（table 4）中加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加多量，是以NRI>0，则为正改善，阐述新模子比旧模子的谋略智力有所改善；若NRI<0，则为负改善，新模子谋略智力下跌；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谋略正确数目占比加多的角度评估模子的，再换一种念念路咱们不错从概率加多的角度反应模子的优劣。
就是说在疾病组，模子谋略阳性的概率要尽可能大，在非疾病组模子谋略阳性的概率要尽可能小，通过模子的谋略概率差值已经不错得到一个评价指数。若是新模子比原模子：在阳性组，谋略阳性的概率比旧模子的大；在阴性组，谋略阳性的概率比旧模子的小。那么就不错阐述新模子比旧模子好。
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谋略阳性概率，Pold,non-events示意在非疾病组旧模子的谋略阳性概率。
就是说，IDI就等于疾病组新旧模子的谋略阳性概率的差值减去非疾病组新旧模子谋略阳性概率的差值（因为关于非疾病组模子谋略阳性的概率应该是越小越好，是以中间是减号）这么IDI越大越阐述新模子比旧模子谋略效率更好。若IDI＞0，则为正改善，阐述新模子比旧模子的谋略智力有所改善，若IDI＜0，则为负改善，新模子谋略智力下跌，若IDI=0，则合计新模子莫得改善。
作念法实操在R说话中咱们不错用reclassification函数很便捷地得到NRI和IDI，这个函数摄取5个参数，参数阐述如下图：
图片
第一个是data是原始数据集，cOutcome参数是结局在原始数据蚁集的列的位置，比如原来数据集第二列是结局变量，cOutcome就设定为2；然后次序是旧模子和新模子的谋略风险值，软件开发价格临了一个参数cutoff是模子分类的风险值截断点。
比如我咫尺稀有据集如下
图片
结局在数据集的第二列，我想比拟只须age、sex的模子1和有age、sex、education的模子2，在设定谋略风险值0.5为类别分辨表率时两个模子的分类发达。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)动手代码后输出罢了如下：
图片
不错看到在风险截断值为0.5的技术NRI(Categorical)为0，阐述加多edu的模子并莫得使得分类模子变得更好。同期罢了中也给出了NRI(Continuous)和IDI的点臆测、p值和置信区间。均不错在论文中加以评释。
到这儿NRI和IDI就给大众先容完了，大众以后在进行2个疾病模子比拟，大约2个想法会诊服从比拟时，除了传统的ROC弧线过头AUC，也不错同期给出NRI和IDI，愈加全面多头绪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
小结今天给大众先容了临床谋略模子中NRI和IDI的纠合和实操，要比模子不错研讨用这两个想法，要舒服的少许是这两个想法均是模子对比才有的，单独的一个模子是无法蓄意这两个想法的，况且也有学者建议这两个想法并莫得什么用，大众齐不错去查查文件望望各家之言。感谢大众耐烦看完，我方的著作齐写的很细，迫切代码齐在原文中，但愿大众齐不错我方作念一作念，请转发本文到一又友圈后私信回话“数据联贯”得回所稀有据和本东说念主蚁集的学习尊府。若是对您有效请先牢记保藏，再点赞共享。
也接待大众的看法和建议，大众想了解什么统计表率齐不错在著作下留言，说不定我看见了就会给你写教程哦，有疑问接待私信，有息争意向请成功滴滴我。
若是你是一个大学本科生或征询生，若是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，若是你在使用SPSS, R，Mplus中遭受任何问题，齐不错有计划我。因为我不错给您提供最佳的，最详实和耐烦的数据分析行状。
若是你对Z考试，t考试，方差分析，多元方差分析，记忆，卡方考试，关联，多水平模子，结构方程模子，中介调度，量表信效度等等统计妙技有任何问题，请私信我，得回详实和耐烦的开垦。
若是你或你的团队需要专科的科研数据清洗，建模行状，教会培训需求等等。请有计划我。
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：惩办科研中的“可重迭危急”，纠合Rmarkdown
R数据分析：多项式记忆与响应面分析的纠合与实操
R数据分析：糊口数据的谋略模子建树表率与评价（二）
R数据分析：糊口数据的谋略模子建树表率与评价
R数据分析：糊口分析的列线图的纠合与绘图详实教程
R数据分析：诱骗APA情势作图大法讲讲ggplot2和ggsci，请保藏
R数据分析：变量间的非线性关系，多项式，样条记忆和可加模子
Mplus数据分析：性别相反gendergap的关联征询何如作念？
R机器学习：分类算法之logistics记忆分类器的旨趣和终了
R数据分析：PLS结构方程模子先容，论文评释表率和骨子操作
R数据分析：奴隶top期刊手把手教你作念一个临床谋略模子
R数据分析：Lasso记忆筛选变量构建Cox模子并绘图列线图
R数据分析：何如用头绪聚类分析作念“症状群”，实例操练
R数据分析：器具变量记忆与孟德尔立地化，实例领路
R数据分析：潜类别轨迹模子LCTM的作念法，实例领路
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的旨趣与终了
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建树进程中的地位纠合
R数据分析：用lme4包拟合线性和非线性夹杂效应模子
R数据分析：何如用mice作念多重插补，实例领路
R数据分析：孟德尔立地化中介的旨趣和实操
R数据分析：糊口分析的列线图的纠合与绘图详实教程
R数据分析：cox模子何如作念谋略，高分著作复现
R数据分析：广义臆测方程式GEE的作念法和评释
R数据分析：潜类别轨迹模子LCTM的作念法，实例领路
R数据分析:潜变量与降维表率(主身分分析与因子分析)
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：自我评释的身高数据的离群值探索
R数据分析：糊口分析与有竞争事件的糊口分析的作念法和评释
R机器学习：朴素贝叶斯与因循向量机的旨趣与终了
R数据分析：夹杂效应模子的可视化评释，再不懂就真没办法
R数据分析:何如纠合模子中的“截止”，图例展示
R数据分析：tableone包的详实使用先容
R数据分析：何如用lavaan包作念结构方程模子，实例领路
R机器学习：分类算法之K最邻进算法（KNN）的旨趣与终了
R数据分析:潜增长模子LGM的作念法和评释，过头与夹杂模子对比
R数据分析：论文中的轨迹的作念法，潜增长模子和增长夹杂模子
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：临床谋略模子实操，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的作念法与评释
R数据分析：潜在悠扬分析LTA的作念法和评释（一）
R机器学习:分类算法之K最邻进算法(KNN)的旨趣与终了
R数据分析：交互作用的浮浅斜率图作念法及评释
R数据分析:双连气儿变量交互作用的浮浅斜率图作图及评释软件开发价格
本站仅提供存储行状，通盘内容均由用户发布，如发现存害或侵权内容，请点击举报。