SplitWise Regression: Stepwise Modeling with Adaptive Dummy Encoding
SplitWise 回归：采用自适应虚拟变量编码的逐步建模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：摘要讨论通用回归、特征转换与模型选择，未明确涉及给定分类中的因果、面板、宏观或金融问题，因此暂不细分。
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…
SplitWise 回归：采用自适应虚拟变量编码的逐步建模
- 研究问题
- 如何在保留线性回归可解释性的同时捕捉非线性关系，并避免逐步建模产生过多变量或缺乏样本外泛化能力？
- 方法与思路
- 作者使用浅层决策树把数值预测变量转为阈值二元特征，仅当 AIC 或 BIC 改善时接受转换，并提供 R 包实现。
- 材料陈述的贡献
- 摘要称在合成与真实数据评估中，该框架比传统逐步回归和惩罚回归产生更简约、泛化表现更好的模型。
- 阅读关注点
- 应核对阈值搜索与逐步选择如何组合、模型复杂度如何计入信息准则，以及泛化比较是否使用独立测试数据和公平调参。
- 阅读边界
- 本文为 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明比较设计和数值结果，不能据此认定方法具有普遍优势。
原文摘要
Capturing nonlinear relationships without sacrificing interpretability remains a persistent challenge in regression modeling. We introduce SplitWise, a novel framework that enhances stepwise regression. It adaptively transforms numeric predictors into threshold-based binary features using shallow decision trees, but only when such transformations improve model fit, as assessed by the Akaike Information Criterion (AIC) or Bayesian Information Criterion (BIC). This approach preserves the transparency of linear models while flexibly capturing nonlinear effects. Implemented as a user-friendly R package, SplitWise is evaluated on both synthetic and real-world datasets. The results show that it consistently produces more parsimonious and generalizable models than traditional stepwise and penalized regression techniques.