Proefschrift
Titel proefschrift: Discovering Treatment Covariate Interaction: An Integration of Regression Trees and Multiple Regression
Titel in het Nederlands:
Het ontdekken van behandeling-covariaat-interactie: Een integratie van regressiebomen en multipele regressie
Auteur: Elise Dusseldorp, Faculteit Sociale Wetenschappen, Universiteit Leiden.
Korte Nederlandse Samenvatting
De data-analyse strategie ontwikkeld in dit proefschrift heeft als uitgangspunt een vraag uit de medische en psychologische praktijk: Welke patiënten / cliënten hebben meer baat bij welk type behandeling? Deze vraag is gebaseerd op de veronderstelling dat patiënten met bepaalde eigenschappen meer kunnen profiteren van een bepaalde behandeling (bijv. psychotherapie) dan andere patiënten. Mogelijke patiëntkenmerken zijn bijvoorbeeld “leeftijd” of “duur van de ziekte”. In gezondheidsonderzoek is er vaak geen formele theorie beschikbaar die specifiek relaties tussen patiëntkenmerken en behandelingseffecten voorschrijven. Daarom is het aantal mogelijk relevante kenmerken zo groot dat de gebruikte standaard techniek (multipele regressie) te kort schiet in de selectie van belangrijke kenmerken. Regressiebomen zijn juist een geschikte alternatieve methode om deze selectietaak van variabelen uit te voeren, en daarom is deze techniek erg populair in moderne statistische data-analyse. Regressiebomen hebben echter het nadeel dat een procedure om statistische significantie aan te tonen ontbreekt. De nieuwe strategie, genaamd “the Regression Trunk Approach”, is speciaal ontwikkeld om de tekortkomingen van zowel multipele regressie als regressiebomen op te heffen door het integreren van beide procedures. Dit proefschrift toont zinvolle toepassingen met gebruikmaking van o.a. recent verzamelde gegevens van hartpatiënten en patiënten die lijden aan een paniekstoornis.