用于回归分析中可解释函数构建的通用、灵活且和谐的框架
统计方法学
2025-02-25 v2
摘要
可解释模型或方法具有诸多吸引力特征，如对对抗样本的可靠性、决策过程的透明性以及沟通便利性。然而，可解释性是一个主观概念，其定义甚至可能各不相同。同一模型可能被研究团队视为可解释，但被另一组人视为黑箱算法。简单性、准确性和可推广性是评估可解释性的重要方面。在本文中，我们提出了一个用于回归分析中可解释函数构建的通用、灵活且和谐的框架，重点关注连续结果。我们基于用户对可解释性的期望来构建函数框架。提出一种新度量，基于 Mallows 的 统计量，用于模型选择以平衡逼近、可推广性和可解释性。我们将此方法应用于血液临床试验设计中的自适应样本量公式，以演示一般工作流程；并用于解释 Bayesian Go/No-Go 范式中的操作特征，以显示使用有意义中间变量的潜在优势。将此方法推广至分类结果，以基于 Fisher 的精确检验假设检验的示例加以说明。对 NHANES（国家健康与营养调查）进行实际数据分析，以探讨一些重要实验室测量值之间的关系。我们还讨论了本方法的一些扩展。
引用
@article{arxiv.2501.15526,
title = {A general, flexible and harmonious framework to construct interpretable functions in regression analysis},
author = {Tianyu Zhan and Jian Kang},
journal= {arXiv preprint arXiv:2501.15526},
year = {2025}
}