前向稳定性与模型路径选择
统计方法学
2021-03-08 v1 应用统计
统计计算
摘要
大多数科学出版物遵循熟悉的流程：(i) 获取数据，(ii) 拟合模型，(iii) 评论该模型中特定协变量效应的科学相关性。然而，这种方法忽略了一个事实，即可能存在大量精度相近的模型，其中单个协变量所隐含的效应可能截然不同。寻找一整组合理模型的问题在统计学界也相对较少受到关注，几乎所有提出的方法都狭隘地针对特定模型类，和/或需要对所有可能模型进行穷举搜索，使其在当今大数据时代基本不可行。本工作发展了前向稳定性的思想，并提出了一种计算高效的新方法，用于寻找我们称之为模型路径选择(MPS)的准确模型集合。MPS 通过前向选择方法构建合理模型集合，且完全独立于所采用的模型类与损失函数。所得模型集合可以简单直观的图形方式展示，使从业者能轻松可视化某些协变量是否可在极小损失下被替换。
引用
@article{arxiv.2103.03462,
title = {Forward Stability and Model Path Selection},
author = {Nicholas Kissel and Lucas Mentch},
journal= {arXiv preprint arXiv:2103.03462},
year = {2021}
}