To employ the benchmark dose (BMD) method in toxicological risk assessment, it is critical to understand how the BMD lower bound for reference dose calculation is selected following statistical fitting procedures of multiple mathematical models. The purpose of this study was to compare the performances of various combinations of model exclusion and selection criteria for quantal response data. Simulation-based evaluation of model exclusion and selection processes was conducted by comparing validity, reliability, and other model performance parameters. Three different empirical datasets for different chemical substances were analyzed for the assessment, each having different characteristics of the dose-response pattern (i.e. datasets with rich information in high or low response rates, or approximately linear dose-response patterns). The best performing criteria of model exclusion and selection were different across the different datasets. Model averaging over the three models with the lowest three AIC (Akaike information criteria) values (MA-3) did not produce the worst performance, and MA-3 without model exclusion produced the best results among the model averaging. Model exclusion including the use of the Kolmogorov-Smirnov test in advance of model selection did not necessarily improve the validity and reliability of the models. If a uniform methodological suggestion for the guideline is required to choose the best performing model for exclusion and selection, our results indicate that using MA-3 is the recommended option whenever applicable.

中文翻译：

---

在基准剂量法应用于定量响应数据的过程中，基于仿真的模型选择标准评估。

为了在毒理学风险评估中采用基准剂量（BMD）方法，至关重要的是要了解如何根据多个数学模型的统计拟合程序来选择用于参考剂量计算的BMD下限。这项研究的目的是比较定量分析数据的模型排除和选择标准的各种组合的性能。通过比较有效性，可靠性和其他模型性能参数，对模型排除和选择过程进行了基于仿真的评估。分析了用于不同化学物质的三个不同的经验数据集以进行评估，每个数据集具有剂量反应模式的不同特征（即，具有高或低反应率的丰富信息的数据集，或近似线性的剂量反应模式）。在不同的数据集中，模型排除和选择的最佳执行标准有所不同。在具有最低三个AIC（Akaike信息标准）值（MA-3）的三个模型上进行模型平均不会产生最差的性能，而在没有模型排除的情况下MA-3产生的模型平均结果最好。模型排除（包括在模型选择之前使用Kolmogorov-Smirnov检验）并不一定会提高模型的有效性和可靠性。如果需要指南的统一方法学建议来选择性能最佳的模型进行排除和选择，我们的结果表明，在适用的情况下，建议使用MA-3。在具有最低三个AIC（Akaike信息标准）值（MA-3）的三个模型上的模型平均不会产生最差的性能，而在没有模型排除的情况下，MA-3在模型平均中产生的结果最好。模型排除（包括在模型选择之前使用Kolmogorov-Smirnov检验）并不一定会提高模型的有效性和可靠性。如果需要指南的统一方法学建议来选择性能最佳的模型进行排除和选择，我们的结果表明，在适用的情况下，建议使用MA-3。在具有最低三个AIC（Akaike信息标准）值（MA-3）的三个模型上进行模型平均不会产生最差的性能，而在没有模型排除的情况下MA-3产生的模型平均结果最好。排除模型（包括在模型选择之前使用Kolmogorov-Smirnov检验）并不一定会提高模型的有效性和可靠性。如果需要指南的统一方法学建议来选择性能最佳的模型进行排除和选择，我们的结果表明，在适用的情况下，建议使用MA-3。模型排除（包括在模型选择之前使用Kolmogorov-Smirnov检验）并不一定会提高模型的有效性和可靠性。如果需要指南的统一方法学建议来选择性能最佳的模型进行排除和选择，我们的结果表明，在适用的情况下，建议使用MA-3。模型排除（包括在模型选择之前使用Kolmogorov-Smirnov检验）并不一定会提高模型的有效性和可靠性。如果需要指南的统一方法学建议来选择性能最佳的模型进行排除和选择，我们的结果表明，在适用的情况下，建议使用MA-3。