基于回归的模型验证等价性检验：转移证明责任

模型验证通常是测试模型预测与一组独立观测值的匹配程度。有人会认为，证明的责任应该由模型承担，以迫使它表明它可以做出准确的预测。此外，有人会认为，增加样本量应该会提高模型证明其效用的能力。传统的统计工具不适合这样做，因为它们默认模型和数据没有差异，并且它们检测差异的能力随样本大小而增加。这些传统工具进行了优化，以检测差异，而不是相似性。我们提出了一种基于回归和等效性统计测试的模型验证替代策略。等价性测试推翻了通常的零假设：他们假设被比较的人群不同，并用数据证明相反。从这个意义上说，等价性测试是集总测试，而传统的统计测试是分裂测试。迄今为止，等效测试的模型验证侧重于平均值的比较。我们提出的测试不仅检查平均值的相似性，还检查单个预测和观测值之间的相似性。使用三个不同建模目标和不同样本大小的案例研究来演示该策略。提出的策略提供了一种正式的模型验证方法，在每种情况下都优于传统的统计测试。