Repositorio
Institucional

Salas-Eljatib, Christian

Fuentes-Ramirez, Andres

Gregoire, Timothy G.

Altamirano, Adison

Yaitul, Valeska

A study on the effects of unbalanced data when fitting logistic regression models in ecology

ELSEVIER SCIENCE BV

ECOLOGICAL INDICATORS

en

Binary variables have two possible outcomes: occurrence or non-occurrence of an event (usually with 1 and 0 values, respectively). Binary data are common in ecology, including studies of presence/absence, alive/dead, and change/no-change. Logistic regression analysis has been widely used to model binary response variables. Unbalanced data (i.e., an extremely larger proportion of zeros than ones) are often found across a variety of ecological datasets. Sometimes the data are balanced (i.e., same amount of zeros and ones) before fitting the model, however, the statistical implications of balancing (or not) the data remain unclear. We assessed the statistical effects of balancing data when fitting a logistic regression model by studying both its statistical properties of the estimated parameters and its predictive capabilities. We used a base forest-mortality model as reference, and by using stochastic simulations representing different configurations of 0/1 data in a sample (unbalanced data scenarios), we fitted the logistic regression model by maximum likelihood. For each scenario we computed the bias and variance of the estimated parameters and several prediction indexes. We found that the variability of the estimated parameters is affected, with the balanced-data scenario having the lowest variability, thus, affecting the statistical inference as well. Furthermore, the prediction capabilities of the model are altered by balancing the data, with the balanced-data scenario having the better sensitivity/specificity ratio. Balancing, or not, the data to be used for fitting a logistic regression models may affect the conclusion that can arise from the fitted model and its subsequent applications.

Las variables binarias tienen dos posibles resultados: ocurrencia o no ocurrencia de un evento (generalmente con valores 1 y 0, respectivamente). Los datos binarios son comunes en ecología, incluyendo estudios de presencia/ausencia, vida/muerte y cambio/no cambio. El análisis de regresión logística se ha utilizado ampliamente para modelar variables de respuesta binarias. Los datos desbalanceados (es decir, una proporción extremadamente mayor de ceros que de unos) se encuentran a menudo en diversos conjuntos de datos ecológicos. En ocasiones, los datos están balanceados (es decir, la misma cantidad de ceros y unos) antes de ajustar el modelo

sin embargo, las implicaciones estadísticas de balancear (o no) los datos siguen siendo inciertas. Evaluamos los efectos estadísticos de balancear los datos al ajustar un modelo de regresión logística mediante el estudio tanto de las propiedades estadísticas de los parámetros estimados como de su capacidad predictiva. Utilizamos un modelo base de mortalidad forestal como referencia y, mediante simulaciones estocásticas que representan diferentes configuraciones de datos 0/1 en una muestra (escenarios de datos desbalanceados), ajustamos el modelo de regresión logística por máxima verosimilitud. Para cada escenario, calculamos el sesgo y la varianza de los parámetros estimados y varios índices de predicción. Observamos que la variabilidad de los parámetros estimados se ve afectada, siendo el escenario con datos balanceados el que presenta la menor variabilidad, lo que también afecta la inferencia estadística. Además, la capacidad de predicción del modelo se ve alterada al balancear los datos, siendo el escenario con datos balanceados el que presenta la mejor relación sensibilidad/especificidad. El balanceo, o no, de los datos utilizados para ajustar modelos de regresión logística puede afectar la conclusión que se pueda derivar del modelo ajustado y sus aplicaciones posteriores.

Artículo original

Este estudio fue apoyado por la beca de investigación chilena Fondecyt No. 1151495. AFR cuenta con el apoyo de una Beca Postdoctoral de la Vicerrectoría de Investigación y Postgrado, Universidad de La Frontera, Temuco, Chile.

This study was supported by the Chilean research grant Fondecyt No. 1151495. AFR is supported by a Postdoctoral Scholarship from Vicerrectoria de Investigacion y Postgrado, Universidad de La Frontera, Temuco, Chile.

10.1016/j.ecolind.2017.10.030

pdf

Statistical inference

Model prediction

Logit model

Binary variable

Bias

Precision

Inferencia estadística

Predicción de modelos

modelo logístico

variable binaria

Inclinación

Precisión

Biodiversity Conservation# Environmental Sciences

Statistical inference

Model prediction

Logit model

Binary variable

Bias

Precision

Inferencia estadística

Predicción de modelos

modelo logístico

variable binaria

Inclinación

Precisión

Ecología

Estadísticas y Probabilidades

Matemáticas Aplicadas

version publicada

suscripción

verde

metadata

metadata

WOS:000430634500051

A study on the effects of unbalanced data when fitting logistic regression models in ecology

Artículo original

ELSEVIER SCIENCE BV

ECOLOGICAL INDICATORS

Conservación de la Biodiversidad

Ciencias Ambientales

1470-160X

en

ANID FONDECYT 1151495

UFRO VRIP

This study was supported by the Chilean research grant Fondecyt No. 1151495. AFR is supported by a Postdoctoral Scholarship from Vicerrectoria de Investigacion y Postgrado, Universidad de La Frontera, Temuco, Chile.

pdf

502

508

ANID FONDECYT 1151495#UFRO VRIP