Tisane：基于概念与数据关系的形式化推理创作统计模型
人工智能
2022-01-11 v1 人机交互
编程语言
统计计算
其他统计学
摘要
恰当的统计建模包含关于概念如何关联的领域理论，以及数据如何被测量的细节。然而，数据分析者目前缺乏以集成方式记录和推理领域假设、数据收集与建模选择的工具支持，导致可能损害科学有效性的错误。例如，广义线性混合效应模型（GLMMs）有助于回答复杂研究问题，但遗漏随机效应会削弱结果的泛化性。为满足该需求，我们提出 Tisane，一个用于创作带或不带混合效应的广义线性模型的混合主动系统。Tisane 引入了一种研究设计规范语言，用于表达和询问变量间关系的问题。Tisane 贡献了一种交互式编译过程，该过程将关系表示为图，推断候选统计模型，并询问后续问题以消除用户查询的歧义以构建有效模型。在与三位研究者的案例研究中，我们发现 Tisane 帮助他们聚焦于目标和假设，同时避免过去的错误。
引用
@article{arxiv.2201.02705,
title = {Tisane: Authoring Statistical Models via Formal Reasoning from Conceptual and Data Relationships},
author = {Eunice Jun and Audrey Seo and Jeffrey Heer and René Just},
journal= {arXiv preprint arXiv:2201.02705},
year = {2022}
}