Model selection uncertainty and the influence on statistical prognostic and diagnostic models

• Applicant: Professor Dr. Wilhelm Sauerbrei
• Subject Area: Epidemiology and Medical Biometry/Statistics
• Term: from 2001 to 2005
• Project identifier: Deutsche Forschungsgemeinschaft (DFG) - Project number 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 Programme: Research Grants