Improved Conditional Logistic Regression using Information in Concordant Pairs with Software
利用结局一致配对信息改进条件 Logistic 回归及其软件实现AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究二元响应的条件 Logistic 模型，直接涉及离散结果建模。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用结局一致配对信息改进条件 Logistic 回归及其软件实现
- 研究问题
- 在配对二元响应分析中，通常被条件 Logistic 回归舍弃的结局一致配对，能否帮助估计二元处理对正响应对数胜算的加性效应？
- 方法与思路
- 作者从结局一致配对中学习干扰控制协变量的系数信息，构造信息性先验，再用于结局不一致配对上的条件 Logistic 回归。
- 材料陈述的贡献
- 摘要称该方法相较常规条件 Logistic 回归的功效改善在小样本及非线性对数胜算模型中更明显，并发布优化的 R 包 bclogit。
- 阅读关注点
- 应核对先验如何由一致配对构造、其信息如何传递至不一致配对，以及区间与检验是否处理先验估计误差和模型设定偏离。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明功效比较数值、错误率或因果识别条件，软件发布亦未在此核验。
原文摘要
We develop an improvement to conditional logistic regression (CLR) in the setting where the parameter of interest is the additive effect of binary treatment effect on log-odds of the positive level in the binary response. Our improvement is simply to use information learned above the nuisance control covariates found in the concordant response pairs' observations (which is usually discarded) to create an informative prior on their coefficients. This prior is then used in the CLR which is run on the discordant pairs. Our power improvements over CLR are most notable in small sample sizes and in nonlinear log-odds-of-positive-response models. Our methods are released in an optimized R package called bclogit.