Miscellanea. Maximum likelihood estimation of misclassification rates of a binomial regression
杂论：二项回归误分类率的极大似然估计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。
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：摘要研究二元分类规则的误分类率估计，没有行为选择模型依据，不能仅因使用二项回归归入离散选择。
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
杂论：二项回归误分类率的极大似然估计
- 研究问题
- 以二项回归构建二元分类规则时，给定分类阈值，如何估计真实的两类误分类率，而非仅计算经验误分类比例？
- 方法与思路
- 作者在二项回归模型正确的前提下，给出各阈值对应误分类率的极大似然估计算法，并建议用 bootstrap 作统计校准。
- 材料陈述的贡献
- 摘要指出经验误分类率通常并非模型下真实误分类率的极大似然估计，并提供简单算法；摘要未报告具体精度改进幅度。
- 阅读关注点
- 应核对误分类率针对的目标总体、协变量分布处理、算法实现，以及 bootstrap 如何处理模型拟合和分类阈值选择。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；结果以二项回归模型正确为前提，未说明失配、阈值自适应选择或外样本校准表现。
原文摘要
Binomial regression is commonly used to construct a binary classification rule from a set of observable covariates. The accuracy of the rule is summarised by empirical type 1 and type 2 misclassification rates as the threshold of the rule varies. However, the empirical misclassification rates are not the maximum likelihood estimators of the true rates if the binomial regression model is assumed true. We give a simple algorithm for the maximum likelihood estimators of the misclassification rates for any given threshold. Statistical calibration of these estimates is best provided by bootstrap.