Modellselektionsunsicherheit und ihr Einfluss auf statistische Prognose- und Diagnosemodelle

• Antragsteller: Professor Dr. Wilhelm Sauerbrei
• Fachliche Zuordnung: Epidemiologie und Medizinische Biometrie/Statistik
• Förderung: Förderung von 2001 bis 2005
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 5307462

Prognose- und Diagnosemodelle basieren in der Regel auf einem Modellsektionsprozess, in dem die wichtigsten Faktoren mit Einfluß auf die Prognose bzw. Diagnose einer Krankheit identifiziert werden. Die Modelle bilden dann die Grundlage für Vorhersagen, Klassifikationsregeln und Diagnosetests. Obwohl eine große Unsicherheit über die wirklich relevanten Faktoren und das geeignetste Modell besteht, wird üblicherweise in der Praxis mit einem einzigen "besten" Modell gearbeitet. Für typische Aspekte der Modellselektion illustrieren und erweitern wir neuere "model averaging" Ansätze. Mittels Simulationsstudien werden deren Eigenschaften untersucht und verglichen. Für spezifische Beispiele werden wir diese Ansätze mit "Bayesian model averaging" vergleichen. Es soll untersucht werden, ob eine Berücksichtigung dieser Modellselektionsunsicherheit durch Bootstrap Resampling zu einer Verbesserung für Vorhersagemodelle und ihrer Präzision führt. Letztendlich sollen Empfehlungen gegeben werden, wie das Problem der Modellselektionsunsicherheit in Prognose- und Diagnosestudien zu berücksichtigen ist.

• DFG-Verfahren: Sachbeihilfen