Firth lojistik regresyon ile model seçimi


21

Çalıştığım küçük bir veri setinde ( ) birkaç değişken bana mükemmel bir öngörü / ayrılık verir . Bu yüzden , konuyla ilgilenmek için Firth lojistik regresyon kullanıyorum .n~100

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

4
Bu olabildiğince kötü.
Frank Harrell

1
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

1
@ 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

1
Bağlantı, Google Akademik’te bulunan K&K (1996) makalesini indirmek için bağlantı, bemlar.ism.ac.jp/zhuang/Refs/Refs/kitagawa1996biometrika.pdf
Alecos Papadopoulos

Yanıtlar:


1

Eğer BIC kullanımını haklı isterseniz: Eğer örneklem büyüklüğü olarak sınırda (asimptotik geçerli kalır maksimum a posteriori (MAP) tahmin ve ortaya çıkan 'BIC' tipi kriterine maksimum olasılığını değiştirebilir n

py(y)=L(θ;y)π(θ)dθ
θ^ . Böylece öncekini görmezden gelir, ancak ikincisinin etkisi, bilgi olasılığı arttıkça ortadan kalkar.

Bir yan açıklama olarak, Firth regresyonu üstel ailelerde birinci dereceden önyargıyı da ortadan kaldırıyor.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.