📊 statistics

Addressing outliers in mixed-effects logistic regression: a more robust modeling approach

Deze studie introduceert een robuust Bayesiaans logistiek regressiemodel met een t-verdeelde latente variabele voor hiërarchisch gestructureerde, begrenste teldata dat uitbijters effectief aanpakt en nauwkeurigere schattingen oplevert dan conventionele modellen, zoals geïllustreerd in een simulatiestudie en een analyse van medicatie-gebruik.

Oorspronkelijke auteurs: Divan A. Burger, Sean van der Merwe, Emmanuel Lesaffre

Gepubliceerd 2026-02-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Divan A. Burger, Sean van der Merwe, Emmanuel Lesaffre

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Titel: Hoe je een "slecht" getal niet laat bederven, maar er een slimme oplossing voor vindt

Stel je voor dat je een grote groep mensen volgt die elke dag een pil moeten nemen om gezond te blijven. Je wilt weten: Hoe goed doen ze dit eigenlijk?

In de statistiek noemen we dit "getelde data" (count data). Maar er is een probleem: mensen zijn niet als robots. Soms vergeten ze een pil, soms zijn ze ziek, en soms doen ze het ineens perfect omdat ze op vakantie zijn. In de data van deze mensen zitten dus "uitbijters" (outliers): momenten waarop het gedrag totaal afwijkt van de rest.

Deze wetenschappers (Divan Burger en collega's) hebben een nieuw, slimmer rekenmodel bedacht om met deze onvoorspelbare mensen om te gaan. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Scheve Spiegeleieren"

Stel je voor dat je de gemiddelde lengte van een klas wilt berekenen. Als er één gigant in de klas staat (een uitbijter), wordt het gemiddelde ineens heel lang. Je gemiddelde is dan niet meer representatief voor de "gewone" leerling.

In de medische wereld (zoals bij het nemen van medicijnen) gebeurt dit ook. Als je een standaardrekenmethode gebruikt, kan één enkele dag waarop een patiënt alles vergeet, je hele analyse verdraaien. Het model denkt dan: "Oh, deze patiënt is een ramp," terwijl het misschien gewoon een slechte dag was.

2. De Oude Oplossingen: Te Strak of Te Zacht

Vroeger hadden statistici twee hoofdgroepen van modellen:

De Strakke Regelaar: Deze modellen gaan ervan uit dat iedereen zich perfect aan de regels houdt. Als iemand een fout maakt, denken ze dat de hele wereld instort. Ze zijn te gevoelig voor uitbijters.
De Losse Regelaar: Deze modellen zijn wat flexibeler (ze kunnen "overdispersie" aan, oftewel: meer variatie dan verwacht), maar ze weten niet hoe ze met extreme uitschieters moeten omgaan. Ze laten de "slechte" data nog steeds te veel invloed hebben op het eindresultaat.

3. De Nieuwe Oplossing: De "T-Regelaar" (Het Robuuste Model)

De auteurs hebben een nieuw model bedacht: de Binomial-Logit-t.

De Analogie van de Veer:
Stel je voor dat je een trampoline hebt.

Bij een normaal model is de trampoline heel strak. Als je er zachtjes op springt, ga je hoog. Spring je hard (een uitbijter), dan vlieg je de lucht in en breekt de trampoline.
Bij hun nieuwe model is de trampoline gemaakt van een heel speciale, zware veer (een t-distributie). Als iemand er zachtjes op springt, werkt het normaal. Maar als iemand er met een enorme kracht op springt (een extreme uitbijter), buigt de veer gewoon mee. De trampoline breekt niet, en het gemiddelde springen van de rest wordt niet verstoord.

Dit model "negeert" de extreme waarden niet, maar behandelt ze als "zware veren" die minder invloed hebben op het eindresultaat. Zo blijft de analyse eerlijk voor de meeste mensen.

4. Het Slimme Trucje: De "Pseudo-Mediaan"

Een van de coolste dingen aan dit model is dat het een nieuwe manier heeft om het "gemiddelde" te berekenen, die ze de pseudo-median noemen.

Het Gemiddelde (Mean): Dit is als het rekenen van het totaal van alle punten en delen door het aantal mensen. Dit is lastig te berekenen als er extreme waarden zijn en vereist veel zware wiskunde (zoals het oplossen van een ingewikkelde puzzel).
De Pseudo-Mediaan: Dit is een slimme schatting die bijna precies hetzelfde is als het echte midden, maar dan veel makkelijker te berekenen. Het is alsof je in plaats van elke steen in een rivier te wegen, gewoon kijkt naar de steen in het midden van de rivier. Je weet dat het resultaat binnen één steen van het echte midden ligt, maar je hebt geen zware kraan nodig om het te meten.

Dit maakt het model niet alleen sterker, maar ook makkelijker te begrijpen voor artsen en beleidsmakers.

5. Wat hebben ze bewezen?

Ze hebben dit model getest op echte data van mensen die cholesterol-medicatie namen.

Resultaat: Het nieuwe model zag de "slechte dagen" van de patiënten als normale variatie, in plaats van als fouten.
Vergelijking: Het deed het veel beter dan de oude modellen. De oude modellen gaven onzekerheid en onnauwkeurige voorspellingen. Het nieuwe model gaf een helder, betrouwbaar beeld van hoe mensen eigenlijk medicijnen nemen.

Conclusie

Kortom: Mensen zijn onvoorspelbaar. Als je hun gedrag wilt analyseren, mag je niet doen alsof ze robots zijn. Dit nieuwe model is als een slimme, flexibele leraar die weet dat een slechte dag niet betekent dat een leerling slecht is. Het kijkt naar het grote plaatje, negeert de extreme uitschieters op een slimme manier, en geeft je een antwoord dat je kunt vertrouwen.

Dit is een grote stap voorwaarts voor hoe we medische data begrijpen, zodat we betere beslissingen kunnen nemen voor de gezondheid van mensen.

Titel: Omgaan met uitschieters in gemengde-effecten logistische regressie: Een robuustere modelleringbenadering

Auteurs: Divan A. Burger, Sean van der Merwe, Emmanuel Lesaffre
Publicatiedatum: 17 februari 2026 (Preprint)

1. Het Probleem

Tellen data (count data) met een bovengrens (bijvoorbeeld het aantal dagen medicatie wordt ingenomen binnen een maand) komt veel voor in epidemiologie en sociale wetenschappen. Traditionele modellen voor dit type data, zoals de binomiale verdeling, gaan uit van een vaste relatie tussen gemiddelde en variantie. In de praktijk vertonen deze data echter vaak overdispersie (de variantie is groter dan het gemiddelde) en uitschieters (extreme waarden door tijdelijke gedragsveranderingen).

Bestaande oplossingen hebben beperkingen:

Beta-binomiale modellen: Handelen overdispersie goed, maar zijn niet robuust tegen uitschieters.
Binomiaal-logit-normaal modellen: Handelen overdispersie, maar zijn gevoelig voor extreme waarden.
Zero-inflated modellen: Richt zich specifiek op extreme waarden bij 0 of 1, maar niet op uitschieters in het midden van de verdeling.
Gaussische random effects: Veel mixed-effects modellen gebruiken een normale verdeling voor random effects, wat kwetsbaar is voor uitschieters.

De kern van het probleem is dat bestaande methoden voor hierarchisch gestructureerde, begrensde count data binnen een mixed-effects framework vaak falen bij het correct hanteren van uitschieters, wat leidt tot vertekende schattingen en onbetrouwbare conclusies.

2. Methodologie

De auteurs stellen een nieuw uitzonderingsrobuust model voor: het Binomiaal-Logit-t (BL-t) model, geïmplementeerd binnen een Bayesiaans raamwerk met behulp van JAGS.

Kerncomponenten van het model:

Latente variabele: In plaats van een normaal verdeelde latent variabele (zoals bij logit-normaal), wordt een t-verdeling gebruikt voor de latent variabele $\xi_{ij}$ $ξ_{ij}$ .
- De t-verdeling heeft zwaardere staarten (afhankelijk van de vrijheidsgraden $\nu$ ), waardoor extreme waarden minder invloed hebben op de parameter-schattingen.
- De kans op succes $p_{ij}$ wordt gekoppeld aan $\xi_{ij}$ via de logit-functie: $p_{ij} = \frac{1}{1+e^{-\xi_{ij}}}$ .
Mixed-effects structuur: Het model bevat zowel vaste effecten ( $\beta$ ) als cluster-specifieke random effecten ( $u_i$ ) voor patiënten.
Pseudo-mediane: Een cruciaal theoretisch kenmerk is dat het model een gesloten vorm (closed-form) oplossing biedt voor de pseudo-mediane van de uitkomst.
- Omdat de logit-functie strikt stijgend is, is de mediane van de latent variabele $\eta$ direct gekoppeld aan de mediane van de kans.
- De geschatte pseudo-mediane is $\tilde{M}_i = m_i \cdot \text{logit}^{-1}(\eta)$ .
- De auteurs bewijzen dat deze pseudo-mediane afwijkt van de ware discrete mediane met minder dan één telwaarde, wat een zeer nauwkeurige en interpreteerbare maatstaf voor centrale neiging biedt, zelfs bij scheve data.
Verwachting (Mean): Het berekenen van het werkelijke gemiddelde vereist numerieke integratie over de t-verdeling, wat complexer is dan bij de pseudo-mediane, maar wel mogelijk is.

Vergelijking: Het model wordt vergeleken met drie concurrenten:

Conventioneel Binomiaal model.
Beta-binomiaal model.
Binomiaal-logit-normaal model.

3. Belangrijkste Bijdragen

Robuustheid: Het introduceert de eerste robuuste mixed-effects logistische regressie voor begrensde count data die specifiek is ontworpen om zowel overdispersie als uitschieters te hanteren via een t-verdeling.
Interpreteerbaarheid: Het biedt een gesloten vorm voor de pseudo-mediane, wat een groot voordeel is ten opzichte van andere robuuste modellen (zoals de beta-2-binomiale) die vaak alleen gesloten vormen voor het gemiddelde bieden of complexere numerieke integratie vereisen voor de mediane.
Bayesiaanse Implementatie: Het model is efficiënt geïmplementeerd in JAGS, waardoor complexe Bayesiaanse specificaties mogelijk zijn zonder asymptotische afleidingen.
Observatie-niveau random effects (OLRE): Het model kan worden geïnterpreteerd als een OLRE-model met een t-verdeelde latent variabele, wat een nieuwe invalshoek biedt voor het modelleren van overdispersie en uitschieters.

4. Resultaten

Toepassing op Medicatie-Adherentie Data:
De auteurs toepasten het model op een longitudinaal dataset van 392 patiënten die atorvastatine gebruikten (Vrijens et al.).

Modelselectie: Het Binomiaal-Logit-t model scoorde het beste volgens de WAIC (Watanabe-Akaike Information Criterion), wat aangeeft dat het de beste balans biedt tussen modelfit en complexiteit.
Uitschieterdetectie: De geschatte vrijheidsgraden ( $\nu$ ) waren kleiner dan 2, wat bevestigt dat er significante uitschieters aanwezig waren in de data.
Residuen: Residuenanalyses (DHARMa) en Kullback-Leibler (K-L) divergentie tonen aan dat het BL-t-model geen significante problemen heeft met uniformiteit, dispersie of uitschieters. De andere modellen (vooral het conventionele binomiale en beta-binomiale) toonden duidelijke tekenen van slechte fit en gevoeligheid voor uitschieters.
Schattingen: Hoewel de geschatte gemiddelde adherentieproporties vergelijkbaar waren tussen de modellen, hadden de niet-robuuste modellen bredere 95% HPD-intervallen (hoger onzekerheidsniveau), wat wijst op een minder efficiënte verwerking van de data-variabiliteit.

Simulatiestudie:

Een simulatie met datacontaminatie (kunstmatige uitschieters) bevestigde dat het BL-t-model de laagste Root Mean Square Error (RMSE) had en kortere betrouwbaarheidsintervallen produceerde dan het binomiaal-logit-normaal model.
Het model behield zijn frequentistische eigenschappen (bias en dekking) zelfs onder zware overdispersie en uitschieters.

5. Betekenis en Conclusie

Dit onderzoek vult een belangrijke lacune in de literatuur door een robuust model te bieden voor hierarchisch gestructureerde, begrensde count data.

Praktische Impact: In domeinen zoals medicatie-adherentie, waar gedrag onvoorspelbaar kan zijn en uitschieters vaak voorkomen, voorkomt dit model dat extreme waarden de analyse verstoren. Het elimineert de noodzaak om uitschieters handmatig te verwijderen, waardoor de integriteit van de dataset behouden blijft.
Methodologische Vooruitgang: De beschikbaarheid van een gesloten vorm voor de pseudo-mediane maakt het model niet alleen robuust, maar ook direct interpreteerbaar voor onderzoekers, wat een groot voordeel is ten opzichte van complexere numerieke benaderingen.
Toekomstperspectief: Hoewel het huidige model random effects op cluster-niveau als normaal verdeeld beschouwt, suggereert de auteurs dat toekomstig werk zich kan richten op het vervangen van deze door t-verdelingen om ook op cluster-niveau robuust te zijn.

Kortom, het Binomiaal-Logit-t model biedt een superieur alternatief voor traditionele methoden wanneer men te maken heeft met overdispereerde en uitschieter-rijke data in een mixed-effects context.