Generalisierte additive Modelle

Kurzbeschriebung

Generalisierte additive Modelle (GAM) sind eine Erweiterung generalisierter linearer Modelle, bei denen der lineare Prädiktor durch eine Summe glatter, nichtlinearer Funktionen der Kovariaten ersetzt wird. Dadurch können komplexe, nichtlineare Zusammenhänge modelliert werden, ohne eine konkrete funktionale Form vorzugeben.

Formal hat ein GAM die Struktur '"`UNIQ--math-00000000-QINU`"', wobei '"`UNIQ--math-00000001-QINU`"' eine Link-Funktion ist und '"`UNIQ--math-00000002-QINU`"' glatte Funktionen (z. B. Splines) darstellen. Die Glattheit der Funktionen wird über Regularisierung gesteuert, sodass Überanpassung vermieden wird.

GAMs verbinden damit die Interpretierbarkeit klassischer Regressionsmodelle mit der Flexibilität nichtlinearer Modellierung. Sie bleiben primär statistisch-deskriptiv bzw. inferentiell und sind keine Black-Box-Modelle.

Anwendbarkeit im Gesundheitssektor

Im Gesundheitswesen und Public Health werden GAMs häufig eingesetzt, um nichtlineare Effekte von Alter, Umweltfaktoren, Zeit oder Expositionen zu modellieren, etwa bei Luftverschmutzung, Temperatur, saisonalen Krankheitsverläufen oder Mortalitätsanalysen.

Sie eignen sich besonders, wenn glatte Trends oder Schwellenwirkungen vermutet werden, ohne deren Form im Voraus festzulegen. GAMs sind daher ein wichtiges Werkzeug in der Epidemiologie, Umweltmedizin und Surveillance-Analyse.

Sonstiges

Nichtlinear, aber weiterhin gut erklärbar

Glattheitsparameter entscheidend für Modellqualität

Erweiterbar zu spatio-temporalen GAMs

Semantik

Wikidata-Identifikator ist: Q3318054

Deutsche Wikipediaseite ist: Regressionsanalyse#Verallgemeinerte_Verfahren

Englische Wikipediaseite ist: Generalized additive model

Quelle: Hastie & Tibshirani (1990), Generalized Additive Models

Behandlung von Unsicherheit in den Ergebnissen der Methode ist explizit

Für die Methode benötigte Datenmenge ist mittel

Zweck der Methode ist Inferenz, Voraussage

Methode ist Mitglied der Methodenfamilie Statistisch, Beschreibende und erkundende Analyse

Interpretierbarkeit der Ergebnisse der Methode ist gut

Webseite: https://cran.r-project.org/package=mgcv