Shrinkage invalidates the Hosmer-Lemeshow test: goodness of fit for penalized logistic regression, with an application to glaucoma diagnosis
收缩使 Hosmer–Lemeshow 检验失效：惩罚逻辑回归拟合优度及青光眼应用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：摘要研究临床二元预测模型的拟合优度，未涉及经济离散选择或其他所列细分领域。
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
收缩使 Hosmer–Lemeshow 检验失效：惩罚逻辑回归拟合优度及青光眼应用
- 研究问题
- 惩罚逻辑回归中的参数收缩会如何改变分组拟合优度检验的参考分布，怎样区分风险校准不足与模型结构失配？
- 方法与思路
- 作者分析岭惩罚诱导的残差非中心性，提出扣除其估计量的修正检验，并通过预枢轴化处理有效性及考察检验能力。
- 材料陈述的贡献
- 摘要称推导了修正分布及检验能力衰减规律；青光眼应用中，修正后的失配证据减弱，作者据此主张优先重新校准风险。
- 阅读关注点
- 应核对非中心性估计、一阶恢复参考分布的条件、预枢轴化的功效代价，以及惩罚选择和临床校准结论的验证设计。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已同行评审或获期刊接收；摘要中的高误拒率及应用差异尚需核对研究设计与适用条件。
原文摘要
Clinical prediction models are increasingly fitted by penalized logistic regression, because collinearity or many candidate predictors makes maximum likelihood unstable or impossible. Calibration is then almost always assessed by a grouped goodness-of-fit test such as the Hosmer-Lemeshow test. We show that this combination is invalid. Under ridge regression the grouped standardized residuals acquire a non-centrality induced by shrinkage, so the reference distribution used in practice is wrong, and at the penalty that most improves the fitted probabilities the test rejects correctly specified models between 92 and 100 per cent of the time. We derive the corrected law and define the shrinkage-corrected Hosmer-Lemeshow test, which subtracts an estimate of that non-centrality, restoring the maximum likelihood reference exactly to first order, and is made valid by prepivoting at a power cost we measure. We also give the attenuation law governing what any such test can detect once the linear predictor must be estimated. In glaucoma diagnosis by confocal laser tomography, where the maximum likelihood estimate does not exist, the corrected test finds the evidence for misfit weaker by more than three orders of magnitude: the fitted risks are too flat rather than mis-ordered, so the model needs recalibration rather than rebuilding.