Modelselectie voor predictie
Inleiding
In het vroege stadium van de ontwikkeling van een nieuw geneesmiddel (Engels: early drug development) kijkt men tegenwoordig ook naar het effect van de werkzame stof (compound) op genexpressie. Dit kan een dieper inzicht geven in de werking van het geneesmiddel, of kan toxiciteit van de compound in een vroeg stadium detecteren (toxicogenomics). De gewenste activiteit van een compound wordt in vitro bepaald aan de hand van bio-assays (BA). De uitkomst is bv. een maat voor de bindingscapaciteiten van de compound aan de geviseerde receptor op de celwand (IC\(_{50}\)). Deze receptor wordt de target genoemd.
In deze vroege fase van de ontwikkeling van een geneesmiddel worden typisch 20 tot 50 gelijkaardige compounds uitvoerig getest. Op basis van de in vitro resultaten nemen de chemici beslissingen over hoe de molecules moeten aangepast worden om tot een (hopelijk) betere compound te komen (i.e. een hogere on-target activiteit en minder toxiciteit).
De kleine variaties in moleculaire structuur geven aanleiding tot variaties in BA en genexpressies.
De doelstelling van de studie is het opstellen van een model dat toelaat de bioactiviteit (BA) te voorspellen aan de hand van genexpressies in een levercellijn.
In het volgend voorbeeld, wordt het effect van 35 compounds getest op de genexpressie van levercellen. De levercellen werden gedurende 24 uur blootgesteld aan de compound, waarna genexpressie gemeten werd m.b.v. microarrays. De on-target bioactiviteit van ieder van de 35 compounds wordt via een in-vitro bioassay bekomen (IC\(_{50}\)).
We beperken ons hier tot 10 genen (geselecteerd door het onderzoeksteam op basis van a-priori kennis van de pathways betrokken bij de ontwikkeling van de ziekte). Figuur 71 toont de scatter plot matrix.
mcx<-read.table("https://raw.githubusercontent.com/statomics/sbc20/master/data/mcx.txt",header=TRUE)
head(mcx)
## BA HOXB5 PNISR ATRX LOC100505650 PLK1S1 DNAJC12 ZFHX4
## 1 5.70 9.864744 9.421823 8.557665 11.08555 8.892243 8.198292 8.846125
## 2 5.87 9.847176 9.301424 8.550591 11.18236 9.196701 8.343191 8.873578
## 3 5.70 9.859438 9.360302 8.536606 11.03822 8.903690 8.231318 8.859549
## 4 5.54 9.862448 9.283498 8.535854 10.98804 9.136609 8.292451 8.857473
## 5 5.32 9.836761 9.309442 8.543522 10.94489 8.855404 8.197822 8.826820
## 6 5.73 9.848315 9.318502 8.545635 11.01789 8.919469 8.272741 8.838364
## BSDC1 FTSJ1 YPEL1
## 1 8.848922 10.38470 8.265589
## 2 9.022556 10.23077 8.426856
## 3 8.888275 10.37585 8.244617
## 4 8.985628 10.35854 8.257426
## 5 8.832436 10.37179 8.250075
## 6 8.864538 10.38892 8.280436
plot(mcx)
Figuur 71: Scatterplot matrix voor de observaties in de bioactiviteit dataset.
Figuur 71 suggereert dat de BA uitkomst sterk gecorreleerd is met alle genexpressies, maar de figuur toont tevens dat vele genexpressies ook onderling sterk gecorreleerd zijn. Het zal dus waarschijnlijk niet nodig zijn om alle genen simultaan in het model op te nemen. Niettegenstaande de hypothesetest-gebaseerde methoden toepasbaar lijken, argumenteren we hier dat die methoden niet geschikt zijn in de huidige context.
De doelstelling is om een zo optimaal mogelijk model te selecteren dat gebruikt kan worden voor predictie van de uitkomst. Niettegenstaande de predictie voor een lineair regressiemodel gegeven wordt door \(\hat{Y}=\beta_0+\sum_{j=1}^{p-1}\beta_jX_j\), weten we dat de \(\beta\)-parameters een interpretatie hebben met betrekking tot de gemiddelde uitkomst \(\text{E}[Y\mid (X_1,\ldots,X_{p-1})]=\beta_0+\sum_{j=1}^{p-1}\beta_jX_j\). Hypothesetesten voor \(H_0:\beta_j=0\) gaan dus na of predictor \(X_j\) (conditioneel op de andere regressoren in het model) gerelateerd is tot de gemiddelde uitkomst. Het al dan niet verwerpen van \(H_0\) heeft niet enkel te maken met de werkelijke waarde van \(\beta_j\), maar ook met de kracht van de hypothesetest en dus ook met de steekproefgrootte \(n\). Hypothesetesten maken een afweging van de evidentie in de data tegen/voor de gestelde hypotheses die betrekking hebben op de gemiddelde uitkomst. Voor een goed predictiemodel is het minder belangrijk dat het model de werkelijkheid weerspiegelt met betrekking tot het verband tussen de gemiddelde uitkomst en de regressoren; het is enkel belangrijk dat het model goede predicties geeft voor individuele uitkomsten. Om deze reden wordt modelselectie voor predictiemodellen uitgevoerd door gebruik te maken van specifieke modelselectiecriteria die de kwaliteit van het predictieve karakter van een model kwantificeert.
Selectie-criterium
Het is aanlokkelijk om \(R^2\) te gebruiken als een criterium voor hoe goed het model in staat is om predicties te maken, gezien het aangeeft hoeveel procent van de variabiliteit in de data verklaard kan worden door het model. \(R^2\) is echter geen goed criterium. Hoe complexer het model (hoe meer predictoren er worden opgenomen) hoe hoger \(R^2\) wordt. \(R^2 = 1-SSE/SSTot = SSR/SSTot\) en SSE (SSR) neemt immers steeds af(toe) als een extra predictor in het model wordt opgenomen terwijl SSTot constant blijft. Het gebruik van \(R^2\) zal dus aanleiding geven tot overfitting. We zullen immers steeds het meest complexe model selecteren. Hierdoor zal het model niet meer goed veralgemenen naar nieuwe data toe: het model wordt als het ware te goed getuned naar de dataset die is gebruikt om het model te trainen waardoor het niet meer bruikbaar is om predicties te doen.
Het Akaike Information Criterium (AIC) is een criterium dat een compromis maakt tussen de kwaliteit van de fit en de complexiteit van het model.
\[AIC = -2 \text{ln } L(\hat \beta_0, \ldots, \hat \beta_{p-1}, \hat \sigma^2) + 2 (p+1),\]waarbij de eerste term het natuurlijke logaritme is van likelihood, die voor een steekproef van \(n\) i.i.d. normaal verdeelde observaties met dichtheidsfunctie \(f(Y_i \vert x_{i1} \ldots x_{ip-1}, \beta_0,\ldots, \beta_{p-1} ,\sigma^2)\) en conditioneel gemiddelde \(E[Y_i \vert x_{i1} \ldots x_{ip-1}]=\beta_0 + \sum_{j=1}^{p-1} \beta_j x_{j}\) gedefinieerd is als:
\[L(\beta_0, \ldots, \beta_{p-1}, \sigma^2) = \prod\limits_{i=1}^n f(y_i \ldots x_{ip-1}, \beta_0,\ldots, \beta_{p-1} ,\sigma^2)\]De likelihood geeft dus weer hoe waarschijnlijk het is om de data te observeren onder het normale regressiemodel. Gezien we de parameters niet kennen zullen we ze vervangen door de geschatte modelparameters. We kunnen voor het Normale lineaire regressie model aantonen dat \(-2 \text{ln } L(\hat \beta_0, \ldots, \hat \beta_{p-1}, \hat \sigma^2)\) evenredig is met SSE. Hoe slechter de fit is, hoe hoger het AIC criterium.
De tweede term straft de kwaliteit van de fit als het ware af voor complexiteit. Merk op dat \(p+1\) het aantal modelparameters is die we schatten met het normale regressie model: \(p\) parameters van het lineaire model + de parameter \(\sigma^2\). Het AIC criterium zal dus ook toenemen i.f.v. de complexiteit van het model (aantal parameters). Hierdoor wordt een afweging gemaakt tussen de kwaliteit van de model fit (term 1) en de complexiteit van het model (term 2).
Merk op dat de data analist het werkelijk model niet kent. Hij/zij zal dus verschillende kandidaat modellen met elkaar vergelijken. Vervolgens wordt het model geselecteerd waaronder het zo waarschijnlijk mogelijk is om de geobserveerde data te trekken in een steekproef (eerste term minimaal, SSE zo laag mogelijk), maar zonder dat de modelcomplexiteit daarbij te hoog wordt (tweede term). De analist zal dus het modelselecteren met een zo klein mogelijke AIC.
Opnieuw kan men gebruik maken van voorwaarts, achterwaartse of stapsgewijze modelselectie. Dat kan eenvoudig in R worden geïmplementeerd a.d.h.v. de ‘step’ functie.
We passen de strategie nu toe op het bioactiviteitsvoorbeeld. We zullen opnieuw voorwaartse, achterwaartse en stapsgewijze modelselectie uitvoeren.
Bij voorwaartse modelselectie starten we van een model zonder predictoren:
m1 <- lm(BA~1,mcx)
m1
##
## Call:
## lm(formula = BA ~ 1, data = mcx)
##
## Coefficients:
## (Intercept)
## 5.55
mfull <- lm(BA~.,mcx)
mfull
##
## Call:
## lm(formula = BA ~ ., data = mcx)
##
## Coefficients:
## (Intercept) HOXB5 PNISR ATRX LOC100505650
## -9.5823 1.1665 2.6174 -2.0386 0.3095
## PLK1S1 DNAJC12 ZFHX4 BSDC1 FTSJ1
## 0.4614 0.4616 -0.7015 -0.2761 -1.6318
## YPEL1
## 1.3044
mForward <- step(m1,scope=formula(mfull),direction="forward")
## Start: AIC=-19.33
## BA ~ 1
##
## Df Sum of Sq RSS AIC
## + LOC100505650 1 14.668 4.3588 -68.910
## + PNISR 1 14.376 4.6505 -66.643
## + ATRX 1 14.104 4.9231 -64.650
## + ZFHX4 1 13.869 5.1574 -63.022
## + PLK1S1 1 13.860 5.1671 -62.956
## + FTSJ1 1 13.781 5.2459 -62.426
## + BSDC1 1 13.703 5.3234 -61.913
## + DNAJC12 1 13.412 5.6141 -60.052
## + HOXB5 1 13.400 5.6263 -59.976
## + YPEL1 1 13.049 5.9774 -57.858
## <none> 19.0266 -19.333
##
## Step: AIC=-68.91
## BA ~ LOC100505650
##
## Df Sum of Sq RSS AIC
## + YPEL1 1 1.20478 3.1540 -78.233
## + DNAJC12 1 0.91062 3.4482 -75.112
## + PLK1S1 1 0.81030 3.5485 -74.109
## + FTSJ1 1 0.78960 3.5692 -73.905
## + BSDC1 1 0.75759 3.6012 -73.592
## + HOXB5 1 0.69933 3.6595 -73.031
## + ZFHX4 1 0.69895 3.6599 -73.027
## + ATRX 1 0.63276 3.7261 -72.400
## + PNISR 1 0.36333 3.9955 -69.956
## <none> 4.3588 -68.910
##
## Step: AIC=-78.23
## BA ~ LOC100505650 + YPEL1
##
## Df Sum of Sq RSS AIC
## <none> 3.1540 -78.233
## + PNISR 1 0.133032 3.0210 -77.741
## + HOXB5 1 0.116332 3.0377 -77.548
## + FTSJ1 1 0.063065 3.0910 -76.940
## + ATRX 1 0.048977 3.1051 -76.781
## + DNAJC12 1 0.044347 3.1097 -76.729
## + ZFHX4 1 0.029234 3.1248 -76.559
## + BSDC1 1 0.029032 3.1250 -76.557
## + PLK1S1 1 0.025778 3.1283 -76.520
Nu achterwaartse modelselectie:
mBackward <- step(mfull,direction="backward")
## Start: AIC=-67.34
## BA ~ HOXB5 + PNISR + ATRX + LOC100505650 + PLK1S1 + DNAJC12 +
## ZFHX4 + BSDC1 + FTSJ1 + YPEL1
##
## Df Sum of Sq RSS AIC
## - BSDC1 1 0.003369 2.7288 -69.302
## - DNAJC12 1 0.005688 2.7312 -69.272
## - LOC100505650 1 0.014735 2.7402 -69.156
## - PLK1S1 1 0.025044 2.7505 -69.025
## - ZFHX4 1 0.030840 2.7563 -68.951
## - HOXB5 1 0.039762 2.7652 -68.838
## - ATRX 1 0.063271 2.7887 -68.542
## - YPEL1 1 0.139909 2.8654 -67.593
## - FTSJ1 1 0.157697 2.8832 -67.376
## <none> 2.7255 -67.345
## - PNISR 1 0.211967 2.9374 -66.723
##
## Step: AIC=-69.3
## BA ~ HOXB5 + PNISR + ATRX + LOC100505650 + PLK1S1 + DNAJC12 +
## ZFHX4 + FTSJ1 + YPEL1
##
## Df Sum of Sq RSS AIC
## - DNAJC12 1 0.006916 2.7357 -71.213
## - LOC100505650 1 0.014255 2.7431 -71.119
## - PLK1S1 1 0.025052 2.7539 -70.982
## - ZFHX4 1 0.028026 2.7569 -70.944
## - HOXB5 1 0.036934 2.7658 -70.831
## - ATRX 1 0.087988 2.8168 -70.191
## - YPEL1 1 0.136972 2.8658 -69.587
## - FTSJ1 1 0.155963 2.8848 -69.356
## <none> 2.7288 -69.302
## - PNISR 1 0.228042 2.9569 -68.492
##
## Step: AIC=-71.21
## BA ~ HOXB5 + PNISR + ATRX + LOC100505650 + PLK1S1 + ZFHX4 + FTSJ1 +
## YPEL1
##
## Df Sum of Sq RSS AIC
## - LOC100505650 1 0.014893 2.7506 -73.023
## - ZFHX4 1 0.025561 2.7613 -72.887
## - PLK1S1 1 0.031313 2.7671 -72.815
## - HOXB5 1 0.044757 2.7805 -72.645
## - ATRX 1 0.081205 2.8170 -72.189
## <none> 2.7357 -71.213
## - YPEL1 1 0.171775 2.9075 -71.082
## - FTSJ1 1 0.183246 2.9190 -70.944
## - PNISR 1 0.221272 2.9570 -70.491
##
## Step: AIC=-73.02
## BA ~ HOXB5 + PNISR + ATRX + PLK1S1 + ZFHX4 + FTSJ1 + YPEL1
##
## Df Sum of Sq RSS AIC
## - ZFHX4 1 0.02825 2.7789 -74.665
## - HOXB5 1 0.04052 2.7912 -74.511
## - PLK1S1 1 0.05611 2.8068 -74.316
## - ATRX 1 0.13350 2.8841 -73.364
## - YPEL1 1 0.15739 2.9080 -73.075
## <none> 2.7506 -73.023
## - FTSJ1 1 0.31935 3.0700 -71.178
## - PNISR 1 0.90015 3.6508 -65.114
##
## Step: AIC=-74.67
## BA ~ HOXB5 + PNISR + ATRX + PLK1S1 + FTSJ1 + YPEL1
##
## Df Sum of Sq RSS AIC
## - HOXB5 1 0.02391 2.8028 -76.365
## - PLK1S1 1 0.03749 2.8164 -76.196
## - YPEL1 1 0.14939 2.9283 -74.832
## <none> 2.7789 -74.665
## - ATRX 1 0.19488 2.9738 -74.293
## - FTSJ1 1 0.29613 3.0750 -73.121
## - PNISR 1 0.89851 3.6774 -66.860
##
## Step: AIC=-76.37
## BA ~ PNISR + ATRX + PLK1S1 + FTSJ1 + YPEL1
##
## Df Sum of Sq RSS AIC
## - PLK1S1 1 0.05400 2.8568 -77.698
## - YPEL1 1 0.15995 2.9628 -76.423
## <none> 2.8028 -76.365
## - ATRX 1 0.17201 2.9748 -76.281
## - FTSJ1 1 0.28291 3.0857 -75.000
## - PNISR 1 1.01508 3.8179 -67.548
##
## Step: AIC=-77.7
## BA ~ PNISR + ATRX + FTSJ1 + YPEL1
##
## Df Sum of Sq RSS AIC
## - ATRX 1 0.11974 2.9766 -78.260
## <none> 2.8568 -77.698
## - YPEL1 1 0.26844 3.1252 -76.554
## - FTSJ1 1 0.50227 3.3591 -74.029
## - PNISR 1 0.96156 3.8184 -69.543
##
## Step: AIC=-78.26
## BA ~ PNISR + FTSJ1 + YPEL1
##
## Df Sum of Sq RSS AIC
## <none> 2.9766 -78.260
## - YPEL1 1 0.18969 3.1662 -78.098
## - FTSJ1 1 0.39421 3.3708 -75.907
## - PNISR 1 1.59191 4.5685 -65.266
We kunnen ook stapsgewijze modelselectie doen startende vanaf het meest eenvoudige model:
mForStep <- step(m1,scope=list(lower=formula(m1),upper=formula(mfull)), direction="both")
## Start: AIC=-19.33
## BA ~ 1
##
## Df Sum of Sq RSS AIC
## + LOC100505650 1 14.668 4.3588 -68.910
## + PNISR 1 14.376 4.6505 -66.643
## + ATRX 1 14.104 4.9231 -64.650
## + ZFHX4 1 13.869 5.1574 -63.022
## + PLK1S1 1 13.860 5.1671 -62.956
## + FTSJ1 1 13.781 5.2459 -62.426
## + BSDC1 1 13.703 5.3234 -61.913
## + DNAJC12 1 13.412 5.6141 -60.052
## + HOXB5 1 13.400 5.6263 -59.976
## + YPEL1 1 13.049 5.9774 -57.858
## <none> 19.0266 -19.333
##
## Step: AIC=-68.91
## BA ~ LOC100505650
##
## Df Sum of Sq RSS AIC
## + YPEL1 1 1.2048 3.1540 -78.233
## + DNAJC12 1 0.9106 3.4482 -75.112
## + PLK1S1 1 0.8103 3.5485 -74.109
## + FTSJ1 1 0.7896 3.5692 -73.905
## + BSDC1 1 0.7576 3.6012 -73.592
## + HOXB5 1 0.6993 3.6595 -73.031
## + ZFHX4 1 0.6990 3.6599 -73.027
## + ATRX 1 0.6328 3.7261 -72.400
## + PNISR 1 0.3633 3.9955 -69.956
## <none> 4.3588 -68.910
## - LOC100505650 1 14.6678 19.0266 -19.333
##
## Step: AIC=-78.23
## BA ~ LOC100505650 + YPEL1
##
## Df Sum of Sq RSS AIC
## <none> 3.1540 -78.233
## + PNISR 1 0.13303 3.0210 -77.741
## + HOXB5 1 0.11633 3.0377 -77.548
## + FTSJ1 1 0.06306 3.0910 -76.940
## + ATRX 1 0.04898 3.1051 -76.781
## + DNAJC12 1 0.04435 3.1097 -76.729
## + ZFHX4 1 0.02923 3.1248 -76.559
## + BSDC1 1 0.02903 3.1250 -76.557
## + PLK1S1 1 0.02578 3.1283 -76.520
## - YPEL1 1 1.20478 4.3588 -68.910
## - LOC100505650 1 2.82334 5.9774 -57.858
Nu stapsgewijze modelselectie startende vanaf het meest complexe model:
mBackStep <- step(mfull,scope=list(lower=formula(m1),upper=formula(mfull)), direction="both")
## Start: AIC=-67.34
## BA ~ HOXB5 + PNISR + ATRX + LOC100505650 + PLK1S1 + DNAJC12 +
## ZFHX4 + BSDC1 + FTSJ1 + YPEL1
##
## Df Sum of Sq RSS AIC
## - BSDC1 1 0.003369 2.7288 -69.302
## - DNAJC12 1 0.005688 2.7312 -69.272
## - LOC100505650 1 0.014735 2.7402 -69.156
## - PLK1S1 1 0.025044 2.7505 -69.025
## - ZFHX4 1 0.030840 2.7563 -68.951
## - HOXB5 1 0.039762 2.7652 -68.838
## - ATRX 1 0.063271 2.7887 -68.542
## - YPEL1 1 0.139909 2.8654 -67.593
## - FTSJ1 1 0.157697 2.8832 -67.376
## <none> 2.7255 -67.345
## - PNISR 1 0.211967 2.9374 -66.723
##
## Step: AIC=-69.3
## BA ~ HOXB5 + PNISR + ATRX + LOC100505650 + PLK1S1 + DNAJC12 +
## ZFHX4 + FTSJ1 + YPEL1
##
## Df Sum of Sq RSS AIC
## - DNAJC12 1 0.006916 2.7357 -71.213
## - LOC100505650 1 0.014255 2.7431 -71.119
## - PLK1S1 1 0.025052 2.7539 -70.982
## - ZFHX4 1 0.028026 2.7569 -70.944
## - HOXB5 1 0.036934 2.7658 -70.831
## - ATRX 1 0.087988 2.8168 -70.191
## - YPEL1 1 0.136972 2.8658 -69.587
## - FTSJ1 1 0.155963 2.8848 -69.356
## <none> 2.7288 -69.302
## - PNISR 1 0.228042 2.9569 -68.492
## + BSDC1 1 0.003369 2.7255 -67.345
##
## Step: AIC=-71.21
## BA ~ HOXB5 + PNISR + ATRX + LOC100505650 + PLK1S1 + ZFHX4 + FTSJ1 +
## YPEL1
##
## Df Sum of Sq RSS AIC
## - LOC100505650 1 0.014893 2.7506 -73.023
## - ZFHX4 1 0.025561 2.7613 -72.887
## - PLK1S1 1 0.031313 2.7671 -72.815
## - HOXB5 1 0.044757 2.7805 -72.645
## - ATRX 1 0.081205 2.8170 -72.189
## <none> 2.7357 -71.213
## - YPEL1 1 0.171775 2.9075 -71.082
## - FTSJ1 1 0.183246 2.9190 -70.944
## - PNISR 1 0.221272 2.9570 -70.491
## + DNAJC12 1 0.006916 2.7288 -69.302
## + BSDC1 1 0.004597 2.7312 -69.272
##
## Step: AIC=-73.02
## BA ~ HOXB5 + PNISR + ATRX + PLK1S1 + ZFHX4 + FTSJ1 + YPEL1
##
## Df Sum of Sq RSS AIC
## - ZFHX4 1 0.02825 2.7789 -74.665
## - HOXB5 1 0.04052 2.7912 -74.511
## - PLK1S1 1 0.05611 2.8068 -74.316
## - ATRX 1 0.13350 2.8841 -73.364
## - YPEL1 1 0.15739 2.9080 -73.075
## <none> 2.7506 -73.023
## + LOC100505650 1 0.01489 2.7358 -71.213
## - FTSJ1 1 0.31935 3.0700 -71.178
## + DNAJC12 1 0.00755 2.7431 -71.119
## + BSDC1 1 0.00409 2.7466 -71.075
## - PNISR 1 0.90015 3.6508 -65.114
##
## Step: AIC=-74.67
## BA ~ HOXB5 + PNISR + ATRX + PLK1S1 + FTSJ1 + YPEL1
##
## Df Sum of Sq RSS AIC
## - HOXB5 1 0.02391 2.8028 -76.365
## - PLK1S1 1 0.03749 2.8164 -76.196
## - YPEL1 1 0.14939 2.9283 -74.832
## <none> 2.7789 -74.665
## - ATRX 1 0.19488 2.9738 -74.293
## - FTSJ1 1 0.29613 3.0750 -73.121
## + ZFHX4 1 0.02825 2.7506 -73.023
## + LOC100505650 1 0.01759 2.7613 -72.887
## + DNAJC12 1 0.00489 2.7740 -72.727
## + BSDC1 1 0.00072 2.7782 -72.674
## - PNISR 1 0.89851 3.6774 -66.860
##
## Step: AIC=-76.37
## BA ~ PNISR + ATRX + PLK1S1 + FTSJ1 + YPEL1
##
## Df Sum of Sq RSS AIC
## - PLK1S1 1 0.05400 2.8568 -77.698
## - YPEL1 1 0.15995 2.9628 -76.423
## <none> 2.8028 -76.365
## - ATRX 1 0.17201 2.9748 -76.281
## - FTSJ1 1 0.28291 3.0857 -75.000
## + HOXB5 1 0.02391 2.7789 -74.665
## + LOC100505650 1 0.01287 2.7899 -74.526
## + ZFHX4 1 0.01165 2.7912 -74.511
## + DNAJC12 1 0.01066 2.7921 -74.499
## + BSDC1 1 0.00070 2.8021 -74.374
## - PNISR 1 1.01508 3.8179 -67.548
##
## Step: AIC=-77.7
## BA ~ PNISR + ATRX + FTSJ1 + YPEL1
##
## Df Sum of Sq RSS AIC
## - ATRX 1 0.11974 2.9766 -78.260
## <none> 2.8568 -77.698
## - YPEL1 1 0.26844 3.1252 -76.554
## + PLK1S1 1 0.05400 2.8028 -76.365
## + HOXB5 1 0.04042 2.8164 -76.196
## + LOC100505650 1 0.03471 2.8221 -76.125
## + BSDC1 1 0.03081 2.8260 -76.077
## + DNAJC12 1 0.02797 2.8288 -76.042
## + ZFHX4 1 0.00022 2.8566 -75.700
## - FTSJ1 1 0.50227 3.3591 -74.029
## - PNISR 1 0.96156 3.8184 -69.543
##
## Step: AIC=-78.26
## BA ~ PNISR + FTSJ1 + YPEL1
##
## Df Sum of Sq RSS AIC
## <none> 2.9766 -78.260
## - YPEL1 1 0.18969 3.1662 -78.098
## + ATRX 1 0.11974 2.8568 -77.698
## + LOC100505650 1 0.08940 2.8871 -77.328
## + ZFHX4 1 0.04005 2.9365 -76.735
## + BSDC1 1 0.00413 2.9724 -76.309
## + HOXB5 1 0.00203 2.9745 -76.284
## + PLK1S1 1 0.00173 2.9748 -76.281
## + DNAJC12 1 0.00061 2.9759 -76.268
## - FTSJ1 1 0.39421 3.3708 -75.907
## - PNISR 1 1.59191 4.5685 -65.266
mForward
##
## Call:
## lm(formula = BA ~ LOC100505650 + YPEL1, data = mcx)
##
## Coefficients:
## (Intercept) LOC100505650 YPEL1
## -32.240 1.671 2.337
mBackward
##
## Call:
## lm(formula = BA ~ PNISR + FTSJ1 + YPEL1, data = mcx)
##
## Coefficients:
## (Intercept) PNISR FTSJ1 YPEL1
## -6.538 2.165 -1.784 1.240
mForStep
##
## Call:
## lm(formula = BA ~ LOC100505650 + YPEL1, data = mcx)
##
## Coefficients:
## (Intercept) LOC100505650 YPEL1
## -32.240 1.671 2.337
mBackStep
##
## Call:
## lm(formula = BA ~ PNISR + FTSJ1 + YPEL1, data = mcx)
##
## Coefficients:
## (Intercept) PNISR FTSJ1 YPEL1
## -6.538 2.165 -1.784 1.240
Alternatieve criteria
Recent zijn er binnen de machine learning diverse alternatieve technieken voor modelbouw ontwikkeld die hoofdzakelijk steunen op crossvalidatie, d.i. een techniek waarbij men telkens het regressiemodel schat op basis van een subset van de observaties en haar performantie evalueert door na te gaan hoe goed ze de resterende observaties voorspelt. Deze methoden zijn nog beter geschikt voor het bouwen van predictiemodellen. Ze evalueren het model immers op data die het model nog niet heeft gezien tijdens de training (fitting) fase.