LASSO analizini başlatmak için ücretsiz üye olun
Medhesap üyeliği tamamen ücretsizdir ve birkaç saniyede tamamlanır. Giriş yaptığınızda bu sayfaya geri dönersiniz.
Kredi kartı gerekmez · Verileriniz paylaşılmaz
Reklamsız kullanım deneyimi için lütfen üye olunuz veya giriş yapınız.
LASSO (Least Absolute Shrinkage and Selection Operator), regresyon katsayılarının mutlak değerleri toplamına bir ceza ekler. Ceza büyüdükçe zayıf ilişkili değişkenlerin katsayıları tam olarak sıfıra iner ve bu değişkenler modelden çıkar. Böylece yöntem hem katsayıları küçültür (shrinkage) hem de değişken seçimi (feature selection) yapar. Lojistik regresyonda L1-cezalı lojistik regresyon olarak uygulanır (Tibshirani, 1996).
Aday değişken sayısı fazla, olay sayısı sınırlıysa (değişken başına olay sayısı, EPV, 10'un altına düşüyorsa) ya da değişkenler birbiriyle ilişkiliyse (ör. CRP ve CRP/albümin), tek değişkenli analizde p < 0,05 olanları seçmek yerine LASSO daha tutarlı ve aşırı uyuma (overfitting) daha dayanıklı bir değişken listesi verir.
Ceza parametresi λ, tabakalı k-katlı çapraz doğrulamayla seçilir. λ.min tahmin hatasının en düşük olduğu noktadır; λ.1se bu noktaya bir standart hata uzaklıktaki daha sade modeldir. Ana hipotezinizdeki değişkeni “zorunlu” işaretlerseniz cezalandırılmaz, her λ'da modelde kalır ve diğer değişkenler ona göre düzeltilerek seçilir.
Araç seçilen değişkenleri, standardize katsayıları, modele giriş sırasını ve bootstrap seçilme sıklığını verir. Seçilen değişkenleri SPSS'e tek satırda kopyalayıp çok değişkenli lojistik regresyonu kurabilirsiniz. Yöntem bölümü için kullandığınız ayarlarla doldurulmuş Türkçe ve İngilizce metodoloji metni hazır gelir.
Hayır. Hesaplama için veriler şifreli bağlantıyla sunucuya iletilir ve analiz biter bitmez bellekten silinir. Yalnızca anonim kullanım sayıları (ör. analizdeki hasta sayısı) tutulur. Yine de hasta kimliğini belirten bilgileri yapıştırmayın.
LASSO cezası katsayıların büyüklüğüne uygulanır; ölçekleri farklı değişkenler (ör. yaş ve CRP) eşit cezalandırılsın diye her değişken z-skoruna çevrilir. Çapraz doğrulamada standardizasyon yalnızca eğitim katının ortalama ve standart sapmasıyla yapılır. Raporlanan katsayılar standardize ölçektedir.
Bu, zorunlu değişkene göre düzeltildiğinde diğer değişkenlerin tahmine güvenilir katkı vermediği anlamına gelir. λ.min kuralını deneyebilir veya “İlk N değişken” seçeneğiyle, modele giriş sırasına göre belirlediğiniz sayıda değişkeni seçebilirsiniz. Değişken başına olay sayısını (EPV) 10'un üzerinde tutmaya dikkat edin.
Eksik oranı belirlediğiniz eşiği (varsayılan %30) aşan değişkenler analizden çıkarılır; kalan değişkenlerde eksik verisi olan hastalar analiz dışında bırakılır (tam veri analizi). Zorunlu değişkenler eşik nedeniyle çıkarılmaz. Çoklu atama (MICE) gerekiyorsa veriyi önceden SPSS veya R ile tamamlayabilirsiniz.
Veri, sonuç oranı korunarak yüzlerce kez yeniden örneklenir ve her örneklemde aynı λ ile LASSO kurulur. Bir değişkenin seçilme yüzdesi, seçimin örneklemden örnekleme ne kadar tutarlı olduğunu gösterir; %60'ın altındaki değişkenler sınırda kabul edilir.
Tek analizde en fazla 5.000 satır ve 150 model terimi desteklenir (kategorik değişkenin her düzeyi bir terim sayılır). Büyük veride süre sınırı için kat veya λ sayısı otomatik azaltılabilir; bu durumda sonuç ekranında not gösterilir.
Kaynaklar: Tibshirani R. Regression shrinkage and selection via the lasso. J R Stat Soc B. 1996;58(1):267-88 · Friedman J, Hastie T, Tibshirani R. Regularization paths for generalized linear models via coordinate descent. J Stat Softw. 2010;33(1):1-22 · Meinshausen N, Bühlmann P. Stability selection. J R Stat Soc B. 2010;72(4):417-73.
Hesap Araçları
AI Asistan