Logistic Box‑Cox Regression and Its Improvement Through Ensemble Learning
Logistic Box–Cox regression is used to infer the shape of the relationship between a continuous exposure variable and a binary disease outcome. However, its current model fitting procedure relies on Newton–Raphson–type optimization algorithms to obtain maximum likelihood estimates. These algorithms are sensitive to outliers and may fail to produce stable or accurate estimates under extreme values of the exposure variable. In this study, we incorporate bootstrap aggregating (bagging) by fitting multiple resampled versions of the model and combining their estimates. This ensemble based approach enhances the robustness of parameter estimates, improves predictive performance, and yields results that are more stable and interpretable.
Régression logistique de Box-Cox et son amélioration grâce à l'apprentissage par ensemble
La régression logistique de Box-Cox est utilisée pour déduire la forme de la relation entre une variable d'exposition continue et un résultat binaire lié à la maladie. Cependant, sa procédure actuelle d'ajustement du modèle repose sur des algorithmes d'optimisation de type Newton-Raphson pour obtenir des estimations du maximum de vraisemblance. Ces algorithmes sont sensibles aux valeurs aberrantes et peuvent ne pas produire d'estimations stables ou précises lorsque la variable d'exposition prend des valeurs extrêmes. Dans cette étude, nous intégrons l'agrégation par bootstrap (bagging) en ajustant plusieurs versions rééchantillonnées du modèle et en combinant leurs estimations. Cette approche basée sur l'ensemble améliore la robustesse des estimations des paramètres, améliore les performances prédictives et donne des résultats plus stables et plus interprétables.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English