疫学者/公衆衛生の同僚に高度な予測モデリングを穏やかに導入するにはどうすればよいですか？

社会科学と疫学の背景から来た私の同僚は、最小二乗回帰、ロジスティック回帰、および生存分析について訓練を受けました。彼らは、95％の信頼区間とパラメーター係数のp値を確認することを好み、ニューラルネットワーク、CART、バギングとブースティング、ペナルティ付き回帰手法などの現在の予測ツールに不信感を抱いています。

私は疫学者として検量します。

ヘルスケア分野の研究者や専門家が中間管理職やそれ以降に移動し、統計の新しい進展に触れていないため、慣性が見え始めています。

まず、これは単に慣性であると想定しないように強くお勧めします。これは、新しい手法を採用したくないという規律の形、または統計の新しい進展に触れていない同僚のどちらかです。方法論的に非常に洗練された新しい作業が行われている学術疫学会議に参加することはできますが、必ずしも予測モデリングに多くのことを見出しているわけではありません。

ヒントは名前にあります。予測モデリング。

疫学は、分野として、それ自体のために予測に特に興味を持っています。代わりに、それは集団で観察された疾患パターンの病因学的説明の開発に焦点を当てています。2つは関連していますが、明確であり、モデルの予測への影響を最大化しようとするより近代的な分類および予測手法に対する哲学的不信につながることがよくあります。これの最端にいるのは、変数の選択は主に有向非循環グラフのようなものを使用して実行されるべきであるという意見の人々です。

その結果、それは彼らの背景の一部ではなく、文学で彼らが遭遇するものではなく、完全に率直に言えば、彼らが経験している問題を実際に理解していない人々を介してそれらにさらされている可能性が高い解決する。

これはコメントで、完璧な例です：

これは一部の人々を投げます-予測精度を向上させるためにペナルティ付き回帰に意図的にバイアスを導入しているという事実

私が知っているほとんどすべての疫学者は、あなたがそれらを選択した場合、精度の向上よりもバイアスの減少を選択するでしょう。

それが育てられることは決してないということではありません。予測モデルが使用される場合があります-多くの場合、この特定の患者の転帰の予測が非常に重要である臨床ケース、またはアウトブレイクの検出では、何が起こっているのかわからず、病因を特定できないため、これらの手法が役立ちます。引数。または、予測が本当に目標である場合-たとえば、多くの曝露推定モデルで。彼らは、フィールドでいくぶんニッチです。