Comparing Variable Selection and Model Averaging Methods for Logistic Regression
逻辑回归中变量选择与模型平均方法的比较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：摘要聚焦二值结果逻辑回归的变量选择与模型不确定性，属于离散选择模型的统计方法议题。
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
逻辑回归中变量选择与模型平均方法的比较
- 研究问题
- 摘要称，研究问题是二值结果逻辑回归中的模型不确定性，即在不确定应纳入哪些预测变量时，各类变量选择与推断方法的相对表现如何，尤其在贴近现实条件下尚不清楚。
- 方法与思路
- 作者称开展了一项预注册的模拟比较，涵盖28种已有的变量选择与模型不确定性下推断方法，使用11个实证数据集，覆盖不同样本量与预测变量个数，并区分是否存在分离现象。
- 材料陈述的贡献
- 摘要称，结果显示无分离时基于g先验的贝叶斯模型平均（尤其g=max(n,p^2)）整体表现最强；出现分离时惩罚似然方法（尤其LASSO）最稳定，而采用EB-local先验的BMA在两种情形下都具竞争力。
- 阅读关注点
- 应核对模拟设计细节、28种方法的界定与调参、11个数据集的来源与规模、分离的判定方式、评价指标与预注册方案，以及结论对先验与阈值设定的敏感性。
- 阅读边界
- 仅凭摘要无法判断方法实现、模拟可复现性与结论稳健性；该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Model uncertainty is a central challenge in statistical models for binary outcomes such as logistic regression, arising when it is unclear which predictors should be included in the model. Many methods have been proposed to address this issue for logistic regression, but their relative performance under realistic conditions remains poorly understood. We therefore conducted a preregistered, simulation-based comparison of 28 established methods for variable selection and inference under model uncertainty, using 11 empirical datasets spanning a range of sample sizes and number of predictors, in cases both with and without separation. We found that Bayesian model averaging (BMA) methods based on g-priors, particularly g = max(n, p^2), show the strongest overall performance when separation is absent. When separation occurs, penalized likelihood approaches, especially the LASSO, provide the most stable results, while BMA with the local empirical Bayes (EB-local) prior is competitive in both situations. These findings offer practical guidance for applied researchers on how to effectively address model uncertainty in logistic regression in modern empirical and machine learning research.