Orthogonale regressie (Deming-regressie)

Orthogonale regressie (ook bekend als Deming-regressie of errors-in-variables-regressie) is een statistische methode om het verband tussen twee meetsystemen of twee continue variabelen vast te stellen wanneer beide variabelen meetfouten bevatten — niet alleen de responsvariabele. In tegenstelling tot standaardregressie, die ervan uitgaat dat alleen de Y-variabele een fout bevat, houdt orthogonale regressie tegelijk rekening met onzekerheid in zowel de X- als de Y-metingen, wat een nauwkeurigere en onvertekende best passende lijn oplevert.

Laatst beoordeeld

Belangrijkste conclusie

Orthogonale regressie (ook bekend als Deming-regressie) is een statistische methode om het verband tussen twee meetsystemen of twee continue variabelen vast te stellen wanneer beide meetfouten bevatten.

Op deze pagina
  1. Wat is orthogonale regressie?
  2. Wanneer gebruikt u orthogonale regressie?
  3. Richtlijnen voor correct gebruik van orthogonale regressie
  4. Alternatieven: wanneer u geen orthogonale regressie gebruikt
  5. Voorbeeld van orthogonale regressie
  6. Zo voert u een orthogonale regressie uit

Wat is orthogonale regressie?

Orthogonale regressie (ook bekend als Deming-regressie of errors-in-variables-regressie) is een statistische methode om het verband tussen twee meetsystemen of twee continue variabelen vast te stellen wanneer beide variabelen meetfouten bevatten — niet alleen de responsvariabele. In tegenstelling tot standaardregressie, die ervan uitgaat dat alleen de Y-variabele een fout bevat, houdt orthogonale regressie tegelijk rekening met onzekerheid in zowel de X- als de Y-metingen, wat een nauwkeurigere en onvertekende best passende lijn oplevert.
Ze wordt meestal gebruikt om te beoordelen of twee meetmethoden, instrumenten of laboratoria gelijkwaardige resultaten opleveren — bijvoorbeeld door een nieuwe testmethode te vergelijken met een gevestigde referentiemethode om vast te stellen of ze door elkaar gebruikt kunnen worden.

Wanneer gebruikt u orthogonale regressie?

  • Gebruik haar wanneer u twee meetmethoden wilt vergelijken om vast te stellen of ze op dezelfde set items gelijkwaardige resultaten opleveren.
  • Gebruik haar wanneer beide vergeleken variabelen meetfouten bevatten — als alleen de Y-variabele een fout bevat, gebruik dan in plaats daarvan het standaard Fit Line Model.
  • Gebruik haar wanneer het doel is om gelijkwaardigheid of uitwisselbaarheid van methoden vast te stellen — bijvoorbeeld door een snellere of goedkopere testmethode te valideren tegen een geaccepteerde referentienorm.
  • Gebruik haar wanneer u het werkelijke verband wilt schatten tussen twee variabelen die beide onnauwkeurig worden gemeten, in plaats van een verband te gebruiken dat vertekend is doordat de fout in de X-variabele wordt genegeerd.
  • Gebruik haar in laboratorium-, klinische, productie- en kalibratiestudies waarin de vergelijking van meetsystemen een kernvereiste is.

Richtlijnen voor correct gebruik van orthogonale regressie

  • Beide variabelen moeten continu zijn — orthogonale regressie is niet geschikt voor categorische of attribuutgegevens.
  • De foutvariantieverhouding (de verhouding van de variantie van de meetfout van X tot de variantie van de meetfout van Y) moet worden opgegeven of geschat — standaard wordt aangenomen dat beide variabelen een gelijke meetfout hebben (verhouding = 1), maar dit moet worden geverifieerd of aangepast op basis van de bekende capabiliteit van het meetsysteem.
  • Verzamel voldoende gegevenparen — meet dezelfde set items met beide methoden. Een minimum van 30 tot 50 gepaarde waarnemingen wordt aanbevolen voor stabiele en betrouwbare schattingen van de regressielijn.
  • Zorg dat het bereik van de gemeten items het volledige relevante gebruiksbereik dekt — een smal meetbereik levert onbetrouwbare schattingen van helling en snijpunt op en maakt conclusies over de gelijkwaardigheid van methoden moeilijk te onderbouwen.
  • Bekijk na het aanpassen het betrouwbaarheidsinterval voor de helling — als het interval 1.0 bevat, hebben de twee methoden een proportioneel gelijkwaardige respons. Bekijk het betrouwbaarheidsinterval voor het snijpunt — als het 0 bevat, is er geen vaste systematische afwijking tussen de methoden.
  • Controleer de residuenplots om na te gaan of aan de modelaannames is voldaan en of geen ongewone waarnemingen de aangepaste lijn onevenredig beïnvloeden.
  • Extrapoleer conclusies niet buiten het bereik van de geteste items — de gelijkwaardigheid van de twee methoden is alleen binnen het gemeten bereik aangetoond.

Alternatieven: wanneer u geen orthogonale regressie gebruikt

  • Als alleen de responsvariabele (Y) een meetfout bevat en de voorspeller (X) met verwaarloosbare fout wordt gemeten of een gecontroleerde, exacte waarde is, gebruik dan Fit Line Model of Fit Regression Model — orthogonale regressie zou overcorrigeren en een vertekende schatting van de helling geven.
  • Als het doel is om een respons uit voorspellers te voorspellen in plaats van twee meetsystemen te vergelijken, gebruik dan Fit Regression Model — orthogonale regressie is specifiek ontworpen voor methodevergelijking, niet voor voorspelling.
  • Als de foutvariantieverhouding volledig onbekend is en niet uit een meetsysteemstudie kan worden geschat, zijn de resultaten van orthogonale regressie onbetrouwbaar — voer eerst een Gauge R&R of meetsysteemanalyse uit om de fout in elke variabele te kwantificeren voordat u verdergaat.
  • Als u meer dan twee variabelen tegelijk wilt vergelijken of modelleren, gebruik dan Fit Regression Model of multivariate analyse .
  • Als de twee vergeleken variabelen op verschillende schalen staan of fundamenteel verschillende karakteristieken meten, is een methodevergelijkingsstudie niet geschikt — orthogonale regressie vereist dat beide variabelen dezelfde onderliggende grootheid meten.
  • Als de responsvariabele categorisch of binairis, gebruik dan logistische regressie .

Voorbeeld van orthogonale regressie

Een ingenieur vergelijkt een nieuwe bloeddrukmeter met een bestaand apparaat door bij 60 personen de systolische bloeddruk met beide instrumenten te meten. Om de gelijkwaardigheid te beoordelen wordt orthogonale regressie gebruikt, omdat beide apparaten een meetfout hebben. Uit eerdere studies is de variantie van de nieuwe meter 1.08 en die van de bestaande meter 1.20. De nieuwe meter wordt als respons behandeld en het bestaande apparaat als voorspeller, wat een foutvariantieverhouding van 0.90 voor de analyse geeft. De volgende stappen:

  1. De benodigde gegevens verzameld.
Orthogonal Regression — figure 1
  1. Analyseer de gegevens nu in Zometric Statistical Software op https://statsai.zometric.com/.
  2. Kies voor orthogonale regressie Statistical module> Regression>Orthogonal Regression.
  3. Voer in de tool de gegevens samen met de overige invoer als volgt in:
Orthogonal Regression — figure 2

5. Na gebruik van bovenstaande tool wordt de uitvoer als volgt opgehaald

Orthogonal Regression — figure 3Orthogonal Regression — figure 4

Zo voert u een orthogonale regressie uit

De handleiding is als volgt:

  1. Log in bij Zometric Statistical Software op https://statsai.zometric.com/
  2. Kies op de startpagina Statistical Tool> Regression > Orthogonal Regression.
  3. Werk vervolgens de gegevens handmatig bij, of kopieer (Ctrl+C) de gegevens volledig uit een Excel-sheet en plak (Ctrl+V) ze hier, of gebruik de optie Load Example, waarmee de voorbeeldgegevens worden geladen.
  4. Vul vervolgens de vereiste opties in .
  5. Klik ten slotte onderaan de pagina op Calculate en u krijgt de gewenste resultaten.

Op het dashboard van Orthogonal Regression is het venster in twee delen gesplitst.

Orthogonal Regression — figure 5

Links bevindt zich de Data Pane. In de Data Pane vormt elke rij één subgroep. Gegevens kunnen handmatig worden ingevoerd, of u kunt de gegevens volledig uit een Excel-sheet kopiëren (Ctrl+C) en hier plakken (Ctrl+V).

Load example: Voorbeeldgegevens worden geladen.

Rechts zijn de volgende opties beschikbaar:

  • Response(Y): Selecteer de kolom met de metingen van de methode of het instrument dat u wilt evalueren, doorgaans de nieuwe, alternatieve of testmethode die wordt beoordeeld tegen een gevestigde referentie. Dit is de variabele die op de verticale as wordt uitgezet. Bij een methodevergelijking is dit meestal het nieuwere, snellere of goedkopere meetsysteem waarvan de gelijkwaardigheid aan de referentie moet worden aangetoond.
  • Predictor (X): Selecteer de kolom met de metingen van de referentie-, gevestigde of standaardmethode het meetsysteem dat al als betrouwbaar en nauwkeurig is aanvaard. Dit is de variabele die op de horizontale as wordt uitgezet. Zowel de kolom Response als de kolom Predictor moeten metingen bevatten die zijn verricht op dezelfde set items of monsters elke rij is één item dat met beide methoden is gemeten.
  • Error Variance Ratio (Y/X): Bepaalt de aangenomen verhouding tussen de variantie van de meetfout van de Y-variabele en de variantie van de meetfout van de X-variabele. Dit is de meest kritieke en unieke invoer bij orthogonale regressie het vertelt het model hoeveel fout in elke variabele aanwezig is ten opzichte van de andere, zodat de aangepaste lijn correct rekening houdt met onnauwkeurigheid in beide metingen.

Veelgestelde vragen

Wat is orthogonale regressie?

Orthogonale regressie, ook bekend als Deming-regressie of errors-in-variables-regressie, bepaalt het verband tussen twee meetsystemen of twee continue variabelen wanneer beide meetfouten bevatten. In tegenstelling tot standaardregressie, die ervan uitgaat dat alleen Y een fout bevat, houdt ze rekening met onzekerheid in zowel X als Y, wat een nauwkeurigere en onvertekende best passende lijn oplevert.

Wanneer gebruikt u orthogonale regressie in plaats van enkelvoudige lineaire regressie?

Gebruik orthogonale regressie om twee meetmethoden, instrumenten of laboratoria te vergelijken wanneer beide variabelen meetfouten bevatten, bijvoorbeeld om een nieuwe testmethode tegen een referentie te valideren. Als alleen Y een fout bevat en X een gecontroleerde of exacte waarde is, gebruik dan in plaats daarvan Fit Line Model of Fit Regression Model, omdat orthogonale regressie de helling zou overcorrigeren.

Hoe interpreteert u de resultaten van orthogonale regressie?

Bekijk het betrouwbaarheidsinterval voor de helling: als het 1.0 bevat, hebben de twee methoden een proportioneel gelijkwaardige respons. Bekijk het betrouwbaarheidsinterval voor het snijpunt: als het 0 bevat, is er geen vaste systematische afwijking tussen de methoden. Controleer de residuenplots en extrapoleer de gelijkwaardigheid niet buiten het bereik van de geteste items.

Wat is de foutvariantieverhouding bij orthogonale regressie?

De foutvariantieverhouding is de verhouding van de variantie van de meetfout van Y tot die van X. Ze geeft het model aan hoeveel fout in elke variabele aanwezig is ten opzichte van de andere. De standaardwaarde gaat uit van gelijke fout (verhouding 1), maar ze moet worden geverifieerd of geschat, bijvoorbeeld uit een Gage R&R-studie. Gebruik minimaal 30 tot 50 gepaarde waarnemingen.