Overestimation of the receiver operating characteristic curve for logistic regression
逻辑回归 ROC 曲线的高估问题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：摘要讨论医学二元分类的性能评估，逻辑回归的出现不足以归入经济离散选择或收益预测方向。
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
逻辑回归 ROC 曲线的高估问题
- 研究问题
- 使用同一数据拟合逻辑回归判别得分并计算 ROC 曲线时，对未来样本判别性能的高估有多大，如何进行修正？
- 方法与思路
- 作者研究重复使用拟合数据造成的乐观偏差，提出对 ROC 曲线及曲线下面积的收缩修正，并讨论两个医学例子。
- 材料陈述的贡献
- 摘要称，所提修正与 Efron 关于二元预测规则错误率偏差的公式相一致，为 ROC 曲线和曲线下面积提供偏差调整。
- 阅读关注点
- 应核对乐观偏差的定义与推导、收缩修正的计算步骤，以及医学例子如何评估对未来样本性能的校正效果。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法判断修正幅度或适用的样本与模型条件，也不能认定修正后评估完全无偏。
原文摘要
Logistic regression is often used to find a linear combination of covariates which best discriminates between two groups or populations. The ROC, receiver operating characteristic, curve is a good way of assessing the performance of the resulting score, but using the same data both to fit the score and to calculate its ROC leads to an over‐optimistic estimate of the performance which the score would give if it were to be validated on a sample of future cases. The paper studies the extent of this overestimation, and suggests a shrinkage correction for the ROC curve itself and for the area under the curve. The correction is consistent with Efron's formula for the bias in the error rate of a binary prediction rule. Two medical examples are discussed.