📊 statistics

Hybrid Neutrosophic Regression ANOVA (HNRA): An Uncertainty-Aware Statistical Inference Framework Under Measurement Imprecision

Dit artikel introduceert Hybrid Neutrosophic Regression ANOVA (HNRA), een nieuw statistisch raamwerk dat meetonnauwkeurigheid modelleert als neutrosofische intervallen om een begrensde, onzekerheidsbewuste decompositie van sommen van kwadraten en een formeel gegarandeerde F-statistiek te bieden, waardoor de klassieke regressie-ANOVA wordt uitgebreid naar scenario's met instrumentkalibratiefouten en biologische variabiliteit zonder voorafgaande distributionele aannames te vereisen.

Oorspronkelijke auteurs: Jaida Najihah Jamidin, Zahari Md Ro, Sayang Mohd Deni, Siti Meriam Zahari

Gepubliceerd 2026-07-23

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Jaida Najihah Jamidin, Zahari Md Ro, Sayang Mohd Deni, Siti Meriam Zahari

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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

Stel je voor dat je een detective bent die een mysterie probeert op te lossen met een vergrootglas. In de wereld van de wetenschap is dat vergrootglas een statistisch hulpmiddel genaamd Regressie ANOVA. Het helpt onderzoekers te achterhalen of twee dingen met elkaar verbonden zijn—zoals of ouder worden ervoor zorgt dat je spieren krimpen. Decennialang hebben wetenschappers dit hulpmiddel gebruikt onder de aanname dat hun metingen perfect zijn, alsof je een liniaal afleest die nooit trilt. Maar in de echte wereld is niets perfect. Een weegschaal kan een klein beetje afwijken, een sensor kan een hapering vertonen, of iemand kan precies vergeten hoe oud hij is. Deze kleine fouten worden "metingsimprecisie" genoemd.

Wanneer je deze fouten negeert, kan je detectivewerk duidelijk lijken, maar het kan misleidend zijn. Het is alsof je probeert het gewicht van een kat te raden terwijl je dikke, mistige handschoenen draagt; je krijgt misschien een getal, maar je weet niet hoeveel dat getal er naast kan zitten. Sommige wetenschappers hebben geprobeerd dit op te lossen door "fuzzy" logica te gebruiken (waarbij iets een beetje waar en een beetje onwaar is) of "Bayesiaanse" methoden (die een startgeloof vereisen voordat je begint). Maar deze methoden kunnen ingewikkeld zijn, vereisen extra aannames, of geven je niet de standaard "ja/nee"-antwoorden waar artsen en toezichthouders aan gewend zijn. De grote vraag is: Kunnen we een detective-instrument bouwen dat toegeeft dat de handschoenen mistig zijn, ons een duidelijk antwoord geeft, en nog steeds de oude, vertrouwde regels van het spel volgt?

Dit artikel introduceert een nieuw instrument genaamd Hybrid Neutrosophic Regression ANOVA (HNRA). Denk aan dit als een superkrachtig vergrootglas dat je niet alleen één enkel getal geeft voor het gewicht van de kat. In plaats daarvan geeft het je een bereik—een "veilige zone" van mogelijkheden. Als de kat tussen de 4 en 6 pond weegt, zegt het hulpmiddel: "We zijn er zeker van dat het in dit bereik ligt." De auteurs, Jaida Najihah Jamidin en haar team van Universiti Teknologi MARA, hebben een wiskundig kader ontwikkeld dat deze fuzzy bereiken door de standaard regressiemathematica haalt.

Dit is wat zij vonden en bewezen hebben. Ten eerste toonden zij aan dat deze nieuwe methode werkt als een perfecte vertaling van de oude methode. Als je alle mist (de meetfouten) weghaalt, verandert HNRA exact terug in het klassieke, vertrouwde hulpmiddel zoals het was. Dit is cruciaal omdat het betekent dat de nieuwe methode geen wilde gok is; het is een veilige upgrade. Ten tweede bewezen zij dat naarmate de mist dikker wordt (wat betekent dat de metingen slechter worden), de "veilige zone" breder wordt, maar nooit krimpt of vreemd gedrag vertoont. Het groeit op een voorspelbare, gestage manier.

Het team testte dit op een echte dataset met betrekking tot 60 volwassenen, waarbij ze keken naar de link tussen spiermassa en leeftijd. In de echte wereld is het meten van spiermassa niet exact; het kan variëren met ongeveer ±10% door hoe de machine werkt, en leeftijd kan afwijken met ±0,5 jaar omdat mensen naar boven of beneden afronden. Wanneer zij hun nieuwe HNRA-hulpmiddel toepasten, was het resultaat niet één enkel getal. In plaats daarvan kregen ze een bereik voor de sterkte van de verbinding: de F-statistiek (een score die vertelt hoe sterk het bewijs is) lag tussen de 116,52 en 260,02.

Waarom is dit belangrijk? In de oude methode werd een score van 174,06 (het gemiddelde) al beschouwd als een "overwinning" omdat het veel hoger was dan de kritieke drempel van 4,00. Maar met HNRA kunnen wetenschappers zelfs iets sterkers zeggen: "Zelfs in het slechtste scenario, waarbij de fouten op hun absoluut maximum zijn, is de laagst mogelijke score nog steeds 116,52." Dit betekent dat de conclusie—dat leeftijd en spiermassa definitief verbonden zijn—steenvast staat, ongeacht hoeveel de meetinstrumenten trillen.

Het paper heeft ook 500 computersimulaties uitgevoerd om te zien hoe het hulpmiddel omgaat met verschillende niveaus van slordigheid. Ze ontdekten dat zelfs wanneer ze de metingen erg slordig maakten (tot 25% onzekerheid), het hulpmiddel standhield en de "veilige zone" breed hield, maar de conclusie stabiel bleef. De auteurs merken echter voorzichtig op dat dit hulpmiddel het beste is voor situaties waarin je bekende meetfouten moet meenemen, zoals in een ziekenhuislaboratorium of bij draagbare fitness trackers. Het is geen toverstaf die alles oplost; als de data te slordig is of het signaal te zwak, kan de "veilige zone" zo breed worden dat het niet meer nuttig is. Maar voor de gevallen waar we weten dat onze instrumenten grenzen hebben, biedt HNRA een manier om eerlijk te zijn over die grenzen terwijl we toch een betrouwbaar antwoord krijgen. Het is een manier om te zeggen: "We weten dat onze liniaal niet perfect is, maar we weten precies hoe imperfect hij is, en we kunnen nog steeds het mysterie oplossen."

Technische Samenvatting: Hybride Neutrosophische Regressie ANOVA (HNRA)

Probleemstelling
Klassieke regressiegebaseerde Analysis of Variance (ANOVA) vormt de basis voor kwantitatieve biomedische inferentie, maar rust op de aanname dat predictorvariabelen ( $X$ ) en responsvariabelen ( $Y$ ) worden waargenomen als exacte, foutvrije grootheden. In de praktijk wordt deze aanname routinematig geschonden door grenzen in instrumentkalibratie, biologische variabiliteit, meetfouten van sensoren en afrondingen in zelfgerapporteerde gegevens. Hoewel bestaande methodologieën—zoals intervalregressie, fuzzy-regressie en Bayesiaanse regressie—pogingen doen om de onnauwkeurigheid van metingen aan te pakken, lijden zij aan specifieke beperkingen:

Intervalregressie: Mist vaak een standaard ANOVA-decompositie of een conventionele $F$ -statistiek.
Fuzzy-regressie: Vereist parametrisering van subjectieve lidmaatschapsfuncties en mist standaard ANOVA-tabellen.
Bayesiaanse regressie: Vereist de specificatie van prior-verdelingen en levert posterior-verdelingen op in plaats van frequentistische $F$ -statistieken.
Bestaande Neutrosophische Modellen: Eerdere werken hebben neutrosophische correlatie en eenvoudige regressie vastgesteld, maar hebben geen volledige regressie ANOVA-decompositie ( $SST_N = SSR_N + SSE_N$ ) afgeleid met interval-gewardeerde gemiddelde kwadraten en een formeel begrensde $F$ -statistiek.

Consequentelijk is er een gat in statistische kaders die de structurele onzekerheid van metingen kunnen doorvoeren in de som van kwadraten-decompositie van regressie ANOVA, terwijl de interpreteerbaarheid en computationele eenvoud van de klassieke Ordinary Least Squares (OLS) behouden blijven.

Methodologie: Het HNRA-kader
Het artikel introduceert Hybride Neutrosophische Regressie ANOVA (HNRA), een kader dat observaties representeert als neutrosophische intervallen en deze door de regressie ANOVA propageert met behulp van gesloten intervalrekening.

Neutrosophische Intervalrepresentatie:
Observaties worden getransformeerd naar gesloten intervallen $A_N = [A_L, A_U]$ . Voor een dataset $(x_i, y_i)$ zijn de neutrosophische representaties gedefinieerd als:

$X_{i,N} = [x_i - \delta_x, x_i + \delta_x]$
$Y_{i,N} = [(1-\delta_y)y_i, (1+\delta_y)y_i]$
waarbij $\delta_x$ en $\delta_y$ respectievelijk niet-negatieve onzekerheidsparameters zijn voor predictoren en responsen.

Modelformulering:
Het HNRA-model behoudt de klassieke OLS-coëfficiëntschattingen ( $\hat{\beta}_0, \hat{\beta}_1$ ) berekend vanaf de middelpunten van de intervallen. Het model wordt uitgedrukt als $Y_{i,N} = \beta_0 + \beta_1 X_{i,N} + \epsilon_{i,N}$ .

Gepaste Waarden (Fitted Values): Berekend met behulp van intervalrekening, waarbij 'bound swapping' wordt toegepast als $\beta_1 < 0$ om de $[L, U]$ -volgorde te handhaven.
Sommen van Kwadraten: Totale ( $SST_N$ ), Regressie ( $SSR_N$ ) en Fout ( $SSE_N$ ) sommen van kwadraten worden als intervallen berekend met behulp van de regels voor gesloten intervalrekening voor optelling, aftrekking en kwadrateren.
$F$ -Statistiek: De interval-gewarde $F$ -statistiek wordt gedefinieerd als $F_N = [F_L, F_U] = [MSR_L / MSE_U, MSR_U / MSE_L]$ , waarbij de gemiddelde kwadraten (Mean Squares) worden afgeleid van de interval-sommen van kwadraten.

Beslissingsclassificatie:
Het kader introduceert een driedelige significantieclassificatie op basis van de relatie tussen het $F$ -interval $[F_L, F_U]$ en de klassieke kritieke waarde $F^*$ :

Uniform Significant: $F_L > F^*$ (Significantie gegarandeerd over alle realisaties van de onzekerheid).
Uniform Niet-Significant: $F_U < F^*$ .
Onzekerheidssensitief Gebied: $F_L \leq F^* \leq F_U$ (De conclusie hangt af van de specifieke realisatie binnen de onzekerheidsgrenzen).

Belangrijke Theoretische Bijdragen
Het artikel stelt vier theoretische resultaten vast die bewijzen dat HNRA een conservatieve, goed gedefinieerde generalisatie is van klassieke regressie ANOVA:

Decompositie-stelling: Bewijst dat $SST_N \approx SSR_N + SSE_N$ componentgewijs standhoudt onder intervalrekening, waarbij het verschil begrensd wordt door een functie van de onzekerheidsparameters ( $O(\delta_x + \delta_y)$ ).
Convergentie-stelling: Demonstreert dat wanneer de onzekerheidsparameters ( $\delta_x, \delta_y$ ) naar nul gaan, alle HNRA-intervalkwantiteiten exact convergeren naar hun klassieke, 'crisp' tegenhangers.
Monotoniciteit-stelling: Stelt vast dat de breedte van alle interval-gewardeerde statistieken (inclusief de $F$ -statistiek) monotoon groeit met toenemende meetonzekerheid, wat garandeert dat een groter onzekerheidsbudget de inferentiële conclusies niet onterecht versmalt.
Begrensdheid en Positiviteit-stelling: Bewijst dat indien de ondergrenzen van de gemiddelde kwadraten positief zijn, de interval- $F$ -statistiek strikt positief en eindig is. Een bijstelling garandeert uniforme statistische significantie indien de ondergrens $F_L$ de klassieke kritieke waarde overschrijdt.

Experimentele Resultaten
Het kader werd gevalideerd met behulp van een biomedische dataset ( $n=60$ ) die de relatie tussen spiermassa en leeftijd weergeeft, met een onzekerheid van $\pm 10\%$ voor de respons en $\pm 0,5$ jaar voor de predictor.

Toepassing: De klassieke $F$ -statistiek was 174,06. De HNRA-uitslag leverde $F_N = [116,52, 260,02]$ op. Aangezien de ondergrens (116,52) de kritieke waarde ( $F^* \approx 4,00$ ) ruim overschreed, werd de relatie geclassificeerd als Uniform Significant.
Gevoeligheidsanalyse: Over onzekerheidsniveaus van 5% tot 25% groeide de intervalbreedte van $F_N$ monotoon, maar de ondergrens bleef aanzienlijk boven de kritieke drempel, wat de stabiliteit van de conclusie onder hoge onnauwkeurigheid bevestigt.
Simulatiestudie: Een studie met 500 replicaties bevestigde dat klassieke schattingen consistent binnen de HNRA-intervallen vielen. Een uitgebreide factoriële simulatie (18.000 datasets) toonde 100% dekking van klassieke $F$ -waarden door HNRA-intervallen wanneer de fout-gemiddelde kwadraten positief bleven.
Grensgevallen: Synthetische scenario's met zwakkere effectgroottes vertoonden het "Onzekerheidssensitieve Gebied", waar de klassieke ANOVA mogelijk significantie rapporteert, terwijl HNRA correct identificeert dat de conclusie fragiel is ten opzichte van de meetonzekerheid.

Betekenis en Claims
Het artikel claimt dat HNRA een onderscheidende positie biedt in de statistische inferentie door:

Interpreteerbaarheid te behouden: Het gebruikt klassieke OLS-coëfficiënten, waardoor de resultaten bekend blijven voor beoefenaars die getraind zijn in frequentistische regressie.
Distributie-aannames te elimineren: In tegenstelling tot Bayesiaanse methoden vereist het geen priors; in tegen plaats van fuzzy-methoden vereist het geen parametrisering van lidmaatschapsfuncties.
Formele Garanties te bieden: Het biedt een volledige ANOVA-decompositie en een begrensde $F$ -statistiek met bewezen convergentie- en monotoniciteitseigenschappen, die afwezig waren in eerdere neutrosophische regressieliteratuur.
Voldoen aan Reguleringsbehoeften: Het kader is direct toepasbaar in klinische laboratoriumwetenschappen en epidemiologie, waar standaarden (zoals ISO 5725, CLSI) vereisen dat meetonzekerheid samen met analytische resultaten wordt gerapporteerd.

Beperkingen en Toekomstig Werk
De auteurs merken expliciet enkele beperkingen op:

Type-I Foutcontrole: Formele controle van de Type-I fout onder neutrosophische intervallen is nog niet vastgesteld; daarom wordt HNRA momenteel gepositioneerd als een robuust descriptief en sensitiviteitsanalytisch instrument in plaats van een volledig gevalideerde frequentistische toets.
Operationeel Omhulsel (Operating Envelope): In regimes met een laag signaal en hoge onzekerheid kan het $F$ -interval informatief breed worden (het "Onzekerheidssensitieve Gebied"), en de ondergrens van de fout-gemiddelde kwadraten ( $MSE_L$ ) kan de nul naderen.
Reikwijdte: De huidige formulering is beperkt tot eenvoudige regressie ( $k=1$ ). Uitbreidingen naar meerdere regressie, asymmetrische onzekerheidsgrenzen en interval-gewaardeerde modelselectiecriteria (bijv. AIC) worden geïdentificeerd als toekomstig werk.

Technische Samenvatting: Hybride Neutrosophische Regressie ANOVA (HNRA)

Meer zoals dit