DOI: https://doi.org/10.1038/s41598-025-25231-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41184561
تاريخ النشر: 2025-11-03
المؤلف: Arwa M. Alshangiti وآخرون
الموضوع الرئيسي: طرق ونماذج إحصائية متقدمة
نظرة عامة
تقدم ورقة البحث مقدر انحدار قمة غاما القوي (RGRRE) المصمم لمعالجة تحديات التعدد الخطي والقيم الشاذة في نماذج الانحدار غاما (GRM)، والتي تُستخدم عادةً لتحليل البيانات المستمرة المائلة إيجابيًا. تميل نماذج GRM التقليدية إلى عدم الاستقرار في تقديرات المعاملات وزيادة خطأ المربعات المتوسطة (MSE) بسبب هذه القضايا. يدمج RGRRE المقترح تقنيات الانحدار القمة مع طرق التقدير القوي، مثل تقدير M وتقديرات من نوع مالو، لتعزيز استقرار ودقة تقديرات المعاملات. تُظهر المقارنات النظرية ومحاكاة مونت كارلو أن RGRRE يتفوق باستمرار على الانحدار القمة التقليدي، لا سيما في السيناريوهات التي تتميز بتعدد خطي كبير ووجود قيم شاذة.
تطبيق RGRRE العملي على مجموعة بيانات سرطان الثدي يعزز فعاليته، حيث يكشف عن تحسين تقديرات المعاملات والأداء التنبؤي مقارنةً بالطرق التقليدية. تسلط الدراسة الضوء على أن RGRRE، لا سيما مع مقدر RGRRE-M، يحقق أقل MSE، مما يظهر قدرته على إدارة البيانات البيولوجية المعقدة. تشير النتائج إلى أن هذه الطريقة القوية لا تعزز فقط دقة ووضوح النتائج في البحث الطبي الحيوي ولكنها تفتح أيضًا آفاقًا لاستكشاف طرق وزن قوية إضافية وتوسعات لنماذج خطية عامة أخرى.
نقاش
يوفر قسم النقاش في ورقة البحث نظرة شاملة على منهجيات الانحدار المختلفة، مع التركيز بشكل خاص على نموذج الانحدار غاما (GRM) وتحسيناته لمعالجة قضايا مثل التعدد الخطي والقيم الشاذة. يُناسب GRM بشكل خاص المتغيرات الاستجابة المائلة إيجابيًا، حيث يستخدم توزيع غاما يتميز بمعاملين إيجابيين. يتناول القسم الصياغة الرياضية لـ GRM، بما في ذلك دالة كثافة الاحتمال وعملية تقدير الاحتمالية القصوى (MLE) لتقدير المعاملات. يتم تسليط الضوء على إدخال مقدر انحدار قمة غاما (GRRE) كحل للتعدد الخطي، حيث يتم إضافة معامل قمة إلى مصفوفة التباين والتغاير لاستقرار التقديرات.
علاوة على ذلك، تقترح الورقة نوعًا قويًا من GRRE، يُطلق عليه مقدر انحدار قمة غاما القوي (RGRRE-M)، الذي يجمع بين الانحدار القمة وتقنيات التقدير القوي للتخفيف من تأثير القيم الشاذة. يتم مناقشة الأسس النظرية لـ RGRRE-M، بما في ذلك خصائصه من حيث التحيز والتباين والتغاير، ويتم إجراء مقارنات مع مقدرات تقليدية. يتم التحقق من فعالية المقدّر المقترح من خلال دراسة محاكاة مونت كارلو، مما يظهر أدائه المتفوق من حيث خطأ المربعات المتوسطة (MSE) في ظل ظروف التعدد الخطي العالي ووجود القيم الشاذة. تشير النتائج إلى أن المقدرات القوية تتفوق باستمرار على نظرائها غير القوية، لا سيما في التطبيقات الواقعية مثل تحليل بيانات سرطان الثدي، مما يبرز أهمية استخدام منهجيات قوية في النمذجة الإحصائية.
DOI: https://doi.org/10.1038/s41598-025-25231-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41184561
Publication Date: 2025-11-03
Author(s): Arwa M. Alshangiti et al.
Primary Topic: Advanced Statistical Methods and Models
Overview
The research paper introduces a robust gamma ridge regression estimator (RGRRE) designed to address the challenges of multicollinearity and outliers in gamma regression models (GRM), which are typically employed for analyzing positively skewed continuous data. Traditional GRMs are prone to instability in coefficient estimates and inflated mean squared error (MSE) due to these issues. The proposed RGRRE integrates ridge regression techniques with robust estimation methods, such as M-estimation and Mallows-type estimators, to enhance the stability and accuracy of parameter estimates. Theoretical comparisons and Monte Carlo simulations demonstrate that the RGRRE consistently outperforms conventional gamma ridge regression, particularly in scenarios characterized by significant multicollinearity and the presence of outliers.
The practical application of the RGRRE to a breast cancer dataset further validates its effectiveness, revealing improved coefficient estimates and predictive performance compared to traditional methods. The study highlights that the RGRRE, particularly with the RGRRE-M estimator, achieves the lowest MSE, showcasing its capability in managing complex biological data. The findings suggest that this robust approach not only enhances the accuracy and interpretability of results in biomedical research but also opens avenues for future exploration of additional robust weighting methods and extensions to other generalized linear models.
Discussion
The discussion section of the research paper provides a comprehensive overview of various regression methodologies, particularly focusing on the Gamma Regression Model (GRM) and its enhancements to address issues such as multicollinearity and outliers. The GRM is particularly suited for positively skewed response variables, utilizing a gamma distribution characterized by two positive parameters. The section details the mathematical formulation of the GRM, including its probability density function and the maximum likelihood estimation (MLE) process for parameter estimation. The introduction of the Gamma Ridge Regression Estimator (GRRE) is highlighted as a solution to multicollinearity, where a ridge parameter is added to the variance-covariance matrix to stabilize estimates.
Furthermore, the paper proposes a robust variant of the GRRE, termed the Robust Gamma Ridge Regression Estimator (RGRRE-M), which combines ridge regression with robust estimation techniques to mitigate the influence of outliers. The theoretical underpinnings of the RGRRE-M are discussed, including its bias and variance-covariance properties, and comparisons are made with traditional estimators. The efficacy of the proposed estimator is validated through a Monte Carlo simulation study, demonstrating its superior performance in terms of mean squared error (MSE) under conditions of high multicollinearity and the presence of outliers. The results indicate that robust estimators consistently outperform their non-robust counterparts, particularly in real-world applications such as the analysis of breast cancer data, underscoring the importance of employing robust methodologies in statistical modeling.