.png){kind=icon}
返回
Modeling uncertainty in performance validity testing with Bayesian logistic regression
.png){kind=icon}
PRE
AI
DOI：10.1080/13854046.2026.2726210.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的：将多项表现有效性测试（PVTs）汇总为整体有效性判断是神经心理学中的一个既定挑战。标准的二元累积方法依赖于对连续PVT分数的二进制编码，并在相当比例的案例中产生模糊结果。本研究评估了贝叶斯逻辑回归作为估算无效剖面后验概率的框架，基于连续嵌入式PVT分数。方法：回顾性样本233名退役军人根据三项独立PVT分为有效（n = 132）、模糊（n = 55）和无效（n = 46）三组。使用六项嵌入式PVT作为连续标准化预测变量，在有效和无效组上训练贝叶斯逻辑回归模型。将模糊组排除在训练之外，随后使用模型衍生的后验概率估计进行评估。结果：完整的六预测变量模型获得了最高的后验概率。PVTs在包含证据上存在差异。概率分布始终在有效组中较低，在无效组中较高，而在模糊组中显著异质。结论：贝叶斯逻辑回归为概率性PVT汇总提供了可行的框架，可保留连续分数信息，考虑预测变量间的相互关联，并在存在时建模真正的不确定性。需要在更多样化样本中使用复杂结果指标进行验证。
Keyword:
Performance validity
diagnostics
malingering
期刊
IF:
2.7
论文数:
2.3K
被引数:
4.9K
机构
引用论文
暂无论文信息