Metodolog.pl – Analiza Statystyczna w nauce
Firma statystyczna METODOLOG
Kliniczne podejmowanie decyzji w badaniach psychologicznych opartych na metodach reguł decyzyjnych.
Psychologowie pracujący w praktyce muszą podejmować decyzje o klientach, mając ograniczony czas i informacje. Nowe algorytmy analityczne na danych mogą dostarczyć wyników badań empirycznych, które są bardziej wydajne i łatwiejsze do zastosowania w praktyce psychologicznej.
Podejmowanie decyzji w praktyce psychologicznej
Kiedy podejmujemy decyzje w realnym świecie, mamy do czynienia z ograniczeniami informacji, zasobów poznawczych, i czasem do dyspozycji. To się nazywa „racjonalność ograniczona”, również jako psychologowie, musimy znaleźć sposób na radzenie sobie z tymi ograniczeniami, kiedy podejmujemy decyzje o klientach lub pacjentach. Jednocześnie, standardy zawodowe psychologów wymagają praktykowanie podejścia opartego na dowodach: dokładność oceny i skuteczność zabiegów powinny być poparte badaniami empirycznymi. Być może nawet co ważniejsze, opinie i metaanalizę do oceny klinicznej („przewidywania kliniczne”) i formuły empiryczne („przewidywanie statystyczne”) wykazały, że te ostatnie są bardziej dokładne niż to pierwsze. Więc najlepiej, dla psychologów pracujących w praktyce byłoby gdyby badania empiryczne były dostarczane im z zasadami predykcji statystycznych, które mogą być łatwo ocenione.
Popularne modele statystyczne w badaniach psychologicznych
Jednak w większości badań empirycznych w psychologii dane analizowano stosując ogólny model liniowy lub GLM. Z tych modeli, możemy przewidzieć wartość zmiennej przez zsumowanie składek innych zmiennych objaśniających (często nazywany je „ryzykiem” lub czynnikami „ochronnymi”). GLM są to potężne modele, które są koncepcyjnie proste i mają pożądane właściwości pod względem stabilności i dokładności; może to wyjaśnić ich popularność wśród przedstawicieli nauk społecznych.
Jako przykład GLM, weźmy analizy wykonywane w referacie Penninx i współpracowników, którzy badali czynniki przewidujące, czy pacjenci, którzy obecnie mają lęk lub zaburzenia depresyjne nadal będą mieć takie zaburzenia po dwóch latach. Naukowcy odkryli siedem zmiennych i czynników, które przewidywały obecność zaburzeń; przedstawiono to w poniższej tabeli.
Model ten oferuje nam kilka ważnych informacji na temat ryzyka i czynników ochronnych na rzecz rozwoju przewlekłego stanu depresji lub lęku. Jednakże, jeśli chcemy wykorzystać model do oceny ryzyka nowego pacjenta zachorowania na przewlekłą chorobą, musimy ocenić wartość wszystkich siedmiu zmiennych i obliczyć sumę ważoną ich wartości. Może to wymagać zbyt wiele czasu i zasobów, zwłaszcza dla psychologa pracującego w praktyce klinicznej, gdzie oba zasoby są ograniczone.
Szybki i oszczędny proces decyzyjny
Badacze tacy jak Gigerenzer i Katsikopoulos sugerowali użycie tak zwanych „szybkich i oszczędnych drzew decyzyjnych” do prognozowania statystycznego w praktyce klinicznej. Szybkie i oszczędne drzewo jest bardzo prostym drzewem decyzyjnym, składającym się tylko z jednej gałęzi. Na każdym poziomie drzewa, oceniana jest wartość tylko jednej zmiennej; na podstawie tej wartości, albo drzewo zostaje zamknięte i podjęta ostateczna decyzja albo wartość kolejnej zmiennej w drzewie zostanie oceniona. Przykład takiego drzewa przedstawiono poniżej. Może być ono stosowane przez lekarzy w celu podjęcia decyzji, czy należy przepisać antybiotyki makrolidowe dzieciom z infekcją.
Te szybkie i oszczędne drzewa wydają się bardzo pomocne do wykonywania prognoz statystycznych, kiedy czas, informacje i zasoby są ograniczone. Jednakże, drzewa mają być zbudowane w taki sposób, że zapewnią dokładne podjęcie decyzji, a zmienne będą oceniane w najbardziej skuteczny sposób.
Nowe narzędzia do przewidywania
Oto gdzie metody oparte na regułach mogą się przydać. Metody oparte na regułach są stosunkowo nowym narzędziem analitycznym danych, opracowane w dziedzinie statystyki i drążenia danych. Friedman i Popescu opracowali jeden z najbardziej obiecujących metod opartych na regułach: algorytm RuleFit.
Algorytm ten osiąga tak zwane reguły przewidywania całościowego stosując dokładnie te same dane, które są stosowane do dopasowania GLM. Jednak, że zasada predykcji całościowej może być reprezentowana jako szybkie i oszczędne drzewo, które może być łatwiejsze do stosowania w praktyce niż GLM.
W artykule opublikowanym w tym roku pokazaliśmy przykład zasady przewidywania całościowego dla przewidzenia obecności zaburzeń depresyjnych i lękowych, przy zastosowaniu algorytmu RuleFit do tych samych danych, co w oryginalnym badaniu Penninx i współpracowników.
Znaleźliśmy regułę przewidywania całościowego opierającego się na dwóch prostych zasadach, zapewniając decyzje, których dokładność była porównywalna do pierwotnego modelu liniowego. Poniżej dwa przepisy całościowe, które przedstawione są jako szybkie i oszczędne drzewa. Średnio ocena zasad wymaga oszacowania wartości zaledwie trzech zmiennych, natomiast za pomocą GLM do przewidywania potrzebne by było oszacowanie wartości siedmiu zmiennych z tabeli powyżej.
W związku z tym, możemy stwierdzić, że metody oparte na regułach oraz algorytm RuleFit w szczególności, są to obiecujące metody tworzenia narzędzi decyzyjnych, które są proste i łatwe do zastosowania w praktyce psychologicznej. W przyszłych badaniach, będziemy działać na rzecz dalszej poprawy stosowalności, dokładności i łatwości użycia metod opartych na regułach.
Więcej o analizach statystycznych danych:
Pomoc statystyczna.
Analizy statystyczne.
