logistic 回归与多指标模型的稳健变量及交互作用选择
统计方法学
2017-05-31 v2
摘要
我们提出用于判别分析的逐步条件似然变量选择（SODA），以检测 logistic 回归和二次判别分析（QDA）模型中的主效应和二次交互效应。在前向阶段，SODA 根据重要预测变量的整体贡献添加它们；在后向阶段，SODA 移除不重要的项以优化扩展贝叶斯信息准则（EBIC）。与现有的 QDA 变量选择方法相比，SODA 能够处理预测变量数远大于样本量的高维数据，且不需要预测变量的联合正态性假设，从而显著增强了稳健性。我们进一步扩展 SODA 以对多指标模型进行变量选择和模型拟合。与基于切片逆回归（SIR）（Li 1991）的现有变量选择方法相比，SODA 既不需要线性条件也不需要常数方差条件，且更加稳健。我们的理论分析建立了高维设定下 SODA 的变量选择一致性，并且我们的模拟研究以及真实数据应用展示了 SODA 在处理分类问题和多指标模型中非高斯设计矩阵时的优越性能。
引用
@article{arxiv.1611.08649,
title = {Robust Variable and Interaction Selection for Logistic Regression and Multiple Index Models},
author = {Yang Li and Jun S. Liu},
journal= {arXiv preprint arXiv:1611.08649},
year = {2017}
}