EIC（专家信息准则）而非 AIC：谨慎生物学家的模型选择指南
定量方法
2020-10-16 v1
摘要
1. 许多生物学研究项目的目标是从大型复杂数据集中提取有意义的见解。生态、进化与行为（EEB）领域的研究者常常处理长期观测数据集，并据此构建模型以解答生物学基本问题。类似地，流行病学家分析大型复杂的观测数据集，以理解人类健康与疾病的分布及决定因素。这两个不同生物学领域在分析流程上的一个关键差异在于数据分析任务的划分，以及流行病学家广泛采用的因果推断方法的明确使用。2. 在此，我们回顾最新的因果推断文献，并描述一种对 EEB 研究者具有直接应用价值的分析流程。3. 本评论的前半部分定义了四种不同的分析任务（描述、预测、关联与因果推断）以及相应的数据分析与模型选择方法。后半部分致力于引导读者逐步了解因果推断的步骤，并以 EEB 中的实例为重点。4. 鉴于对因果推断日益增长的兴趣以及关于该任务普遍存在的误解，我们旨在促进学科壁垒间的思想交流，并为所有数据分析提供框架，尽管其对观测数据尤为相关。
引用
@article{arxiv.2010.07506,
title = {EIC (Expert Information Criterion) not AIC: the cautious biologist's guide to model selection},
author = {Zachary M. Laubach and Eleanor J. Murray and Kim L. Hoke and Rebecca J. Safran and Wei Perng},
journal= {arXiv preprint arXiv:2010.07506},
year = {2020}
}
备注
Word count: 6791 Tables: 1 (Box 1) Figures: 9 References: 57