Çalıştığım küçük bir veri setinde ( ) birkaç değişken bana mükemmel bir öngörü / ayrılık verir . Bu yüzden , konuyla ilgilenmek için Firth lojistik regresyon kullanıyorum .
En iyi modeli AIC veya BIC ile seçersem , bu bilgi kriterlerini hesaplarken olasılığa Firth cezasını da dahil etmeli miyim?
2
Değişken seçimi "çok fazla değişken, çok az örneklem büyüklüğü" problemine yardımcı olmadığından neden kaçınılmaz olduğunu açıklar mısınız?
—
Frank Harrell
Bu olabildiğince kötü.
—
Frank Harrell
Bunu bir Bayesci çıkarım problemi olarak değerlendirmeyi düşündün mü? Firth logistic regresyon, daha önce jeffrey ile MAP'a eşdeğerdir. Sen kullanabilirsiniz tamamen Laplace yaklaşımı için değerlendirebilecek marjinal olasılıklarının - Bir düzeltilmiş BIC gibi (Aicc benzer) 'dir
—
probabilityislogic
@ user, Bu tür değişkenler genellikle sadece bir avuç durumu öngörür ve bu yeniden üretilemezdir: bu hücre için gerçek olasılık% 90'a yakın olabilir, ancak bu iki vaka ile zamanın% 81'ini alırsınız .
—
StasK
Bağlantı, Google Akademik’te bulunan K&K (1996) makalesini indirmek için bağlantı, bemlar.ism.ac.jp/zhuang/Refs/Refs/kitagawa1996biometrika.pdf
—
Alecos Papadopoulos