Круговой анализ - Circular analysis - Wikipedia
В статистика, круговой анализ - это выбор деталей анализа данных с использованием анализируемых данных. Его часто называют двойное окунание, поскольку одни и те же данные используются дважды. Циркулярный анализ неоправданно завышает кажущуюся статистическую силу любых сообщаемых результатов и, в самом крайнем случае, может привести к очевидному значительному результату, полученному в данных, состоящих только из шума. В частности, когда эксперимент проводится для изучения постулируемого эффекта, это неправильное использование статистики для первоначального сокращения всего набора данных путем выбора подмножества данных способами, согласованными с изучаемыми эффектами. Второе неправильное использование происходит, когда характеристики подогнанной модели или правило классификации сообщается как необработанный результат, без учета эффектов выбор модели и настройка параметров на основе анализируемых данных.
Примеры
В самом простом случае он может включать решение об удалении выбросов, заметив, что это может помочь улучшить анализ эксперимента. Эффект может быть более тонким. В функциональная магнитно-резонансная томография (ФМРТ) данных, например, часто требуется значительный объем предварительной обработки. Их можно применять постепенно, пока анализ «не сработает». Точно так же классификаторы, используемые в анализ мультивоксельного паттерна данных фМРТ требуют параметров, которые можно настроить для максимальной точности классификации.
В геологии отмечена возможность кругового анализа.[1] в случае карт геологических разломов, где они могут быть составлены на основе предположения, что разломы развиваются и распространяются определенным образом, а эти карты позже используются в качестве доказательства того, что разломы действительно возникают таким образом.
Решения
Тщательная разработка анализа, который планируется провести до сбора данных, означает, что на выбор анализа не влияют собранные данные. В качестве альтернативы можно решить усовершенствовать классификацию одного или двух участников, а затем использовать анализ остальных данных участников. Что касается выбора параметров классификации, общий метод состоит в том, чтобы разделить данные на два набора и найти оптимальный параметр, используя один набор, а затем протестировать с использованием этого значения параметра на втором наборе. Это стандартная техника[нужна цитата ] используется (например) классификационной библиотекой princeton MVPA.[2]
Примечания
- ^ Scott, D. L .; Braun, J .; Этеридж М.А. (1994). «Анализ падения как инструмент для оценки региональной кинематики в протяженных террейнах». Журнал структурной геологии. 16 (3): 393. Дои:10.1016/0191-8141(94)90043-4.
- ^ «Набор инструментов Princeton Multi-Voxel Pattern Analysis (MVPA) | Нейробиология». pni.princeton.edu. Получено 2019-07-23.
Рекомендации
- Kriegeskorte, N .; Simmons, W. K .; Bellgowan, P. S. F .; Бейкер, К. И. (2009). «Круговой анализ в системной нейробиологии: опасность двойного погружения». Природа Неврология. 12 (5): 535–540. Дои:10.1038 / №2303. ЧВК 2841687. PMID 19396166.
- Kriegeskorte, N .; Lindquist, M. A .; Nichols, T. E .; Poldrack, R.A .; Вул, Э. (2010). «Все, что вы никогда не хотели знать о круговом анализе, но боялись спросить». Журнал церебрального кровотока и метаболизма. 30 (9): 1551. Дои:10.1038 / jcbfm.2010.86. ЧВК 2949251. PMID 20571517.
- Толструп, Н .; Rouzé, P .; Брунак, С. (1997). «Консенсус точки ветвления от Arabidopsis, найденный некруглым анализом, позволяет лучше предсказывать акцепторные сайты». Исследования нуклеиновых кислот. 25 (15): 3159–3163. Дои:10.1093 / nar / 25.15.3159. ЧВК 146848. PMID 9224618.
- Olivetti, E .; Mognon, A .; Greiner, S .; Авесани, П. (2010). «Декодирование мозга: предубеждения в оценке ошибок». 2010 Первый семинар по декодированию мозга: проблемы распознавания образов в нейровизуализации. п. 40. Дои:10.1109 / WBD.2010.9. ISBN 978-1-4244-8486-7.