¿Cómo gestionar una variable recogida a varios niveles en un modelo de aprendizaje automático basado en datos jerárquicos anidados?

Question

Estoy intentando utilizar el aprendizaje automático para modelizar el riesgo de infecciones relacionadas con la atención sanitaria (HAI) en pacientes de varios hospitales. Tengo variables a nivel de paciente, de sala y de hospital.

En particular, algunas variables a nivel de hospital también están presentes a nivel de sala. Por ejemplo, los mililitros de gel de manos con alcohol utilizados por paciente y día se recogen tanto en cada sala como para todo el hospital. Por supuesto, esas dos variables pueden estar correlacionadas, pero de forma compleja.

¿Debo incluir ambas en el modelo o sólo la más próxima (es decir, a nivel de pabellón), ya que el efecto de la variable hospital está en realidad mediado por la del pabellón?

Answer 1

Al modelizar el efecto de un predictor en cada nivel, se obtiene una estimación más precisa de su asociación con el resultado en ese nivel. Recuerde que un modelo multinivel divide la varianza en el resultado a través de los N niveles que especifique (parece que 3 en su caso). Así que tiene interceptos separados para pacientes, salas y hospitales. Los predictores en cada uno de esos niveles explican la variación en su nivel respectivo. Si tiene un predictor a nivel de paciente y no tiene en cuenta su media (u otra medida de la misma) en los niveles superiores, entonces su coeficiente para ese predictor será una estimación confusa. Se denomina así porque representa una mezcla de la asociación del predictor con el resultado en cada uno de los niveles de la jerarquía.

TL:DR, añada los predictores en cada nivel; esto es especialmente útil si está interesado en predecir el resultado en cualquiera de los niveles (es decir, la predicción empírica de Bayes del intercepto aleatorio).