Cross-Validation, the Jackknife, and the Bootstrap: Excess Error Estimation in Forward Logistic Regression
交叉验证、刀切法与自助法：前向逻辑回归的超额误差估计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：摘要聚焦患者结局预测与重抽样误差评估，逻辑回归的出现不足以归为经济离散选择或金融预测。
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
交叉验证、刀切法与自助法：前向逻辑回归的超额误差估计
- 研究问题
- 使用前向逻辑回归选择变量并构造预测规则后，如何估计新患者的真实误分类率与训练样本表观误分类率之间的差额？
- 方法与思路
- 作者分别使用交叉验证、刀切法和自助法估计超额误差，以包含前向变量选择的预测规则为对象，通过模拟和真实数据比较。
- 材料陈述的贡献
- 摘要称，文章比较三种重抽样方法在特定预测规则下的表现，并说明预测规则复杂化时，估计过拟合造成的误差差额具有重要性。
- 阅读关注点
- 应核对每种重抽样是否重复变量选择、真实误差如何定义和评估，以及样本量、规则复杂度对误差估计偏差的影响。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未报告三种方法的胜负或数值结果，不能推广到其他预测算法与数据结构。
原文摘要
Given a prediction rule based on a set of patients, what is the probability of incorrectly predicting the outcome of a new patient? Call this probability the true error. An optimistic estimate is the apparent error, or the proportion of incorrect predictions on the original set of patients, and it is the goal of this article to study estimates of the excess error, or the difference between the true and apparent errors. I consider three estimates of the excess error: cross-validation, the jackknife, and the bootstrap. Using simulations and real data, the three estimates for a specific prediction rule are compared. When the prediction rule is allowed to be complicated, overfitting becomes a real danger, and excess error estimation becomes important. The prediction rule chosen here is moderately complicated, involving a variable-selection procedure based on forward logistic regression.