Làm thế nào để bạn chọn các biến trong một mô hình hồi quy?

Cách tiếp cận truyền thống để lựa chọn biến là tìm các biến đóng góp nhiều nhất để dự đoán một phản ứng mới. Gần đây tôi đã biết về một sự thay thế cho điều này. Trong mô hình các biến xác định hiệu quả của điều trị - ví dụ như trong một thử nghiệm lâm sàng về dược phẩm - biến được cho là tương tác định tínhvới điều trị nếu, để những thứ khác cố định, một sự thay đổi trong biến đó có thể tạo ra một sự thay đổi trong đó điều trị có hiệu quả nhất. Các biến này không phải lúc nào cũng là yếu tố dự báo mạnh về tác dụng nhưng có thể quan trọng đối với bác sĩ khi quyết định điều trị cho từng bệnh nhân. Trong luận án tiến sĩ của mình, Lacey Gunter đã phát triển một phương pháp để chọn các biến tương tác định tính này có thể bị bỏ qua bởi các thuật toán lựa chọn cơ sở dựa trên dự đoán. Gần đây tôi đã làm việc với cô ấy về việc mở rộng các phương pháp này sang các mô hình khác bao gồm hồi quy logistic và mô hình hồi quy nguy cơ theo tỷ lệ Cox.

Tôi có hai câu hỏi:

1. Bạn nghĩ gì về giá trị của các phương pháp mới này?
2. Trong trường hợp của các phương pháp truyền thống, bạn thích cách tiếp cận nào? Các tiêu chí như AIC, BIC, Mallows Cp, F kiểm tra để nhập hoặc thả các biến theo từng bước, tiến và lùi ...

Bài báo đầu tiên về điều này xuất hiện trong Gunter, L., Zhu, J và Murphy, SA (2009). Lựa chọn biến cho các tương tác định tính . Phương pháp thống kê doi: 10, 1016 / j.stamet.2009.05.003.

Bài báo tiếp theo xuất hiện trong Gunter, L., Zhu, J. và Murphy, SA (2011). Lựa chọn thay đổi các tương tác định tính trong y học cá nhân trong khi kiểm soát tỷ lệ lỗi gia đình . Tạp chí Thống kê dược phẩm sinh học 21, 1063-1078.

Cái tiếp theo xuất hiện trong một vấn đề đặc biệt về lựa chọn biến Gunter, L., Chernick, MR và Sun, J. (2011). Một phương pháp đơn giản để lựa chọn biến trong hồi quy đối với lựa chọn điều trị . Tạp chí Nghiên cứu Thống kê và Hoạt động Pakistan 7: 363-380.

Bạn có thể tìm thấy các giấy tờ tại các trang web tạp chí. Bạn có thể phải mua bài viết. Tôi có thể có các tập tin pdf cho các bài viết này. Lacey và tôi vừa hoàn thành một chuyên khảo về chủ đề này sẽ được xuất bản dưới dạng SpringerBrief vào cuối năm nay.

1. Xem Gelman và Hill, Phân tích dữ liệu bằng cách sử dụng hồi quy và mô hình đa cấp / phân cấp pg 69, họ có một phần về lựa chọn mô hình. Cô ấy đang sử dụng một cách tiếp cận dựa trên câu hỏi hoàn toàn tốt nhưng trong bài viết của mình, cô ấy cần phải giải thích lý do tại sao cô ấy bao gồm những gì cô ấy đã làm trong mô hình. Giống như bạn đã nói "Những biến số này không phải lúc nào cũng là yếu tố dự báo mạnh mẽ về tác dụng nhưng có thể quan trọng đối với bác sĩ khi quyết định điều trị cho từng bệnh nhân." Vì vậy, miễn là cô ấy biện minh lý do tại sao những dự đoán này nên được đưa vào thì nó vẫn ổn. Đối với cá nhân tôi, tôi thích những phương pháp này. Vì vậy, đây là câu trả lời của tôi cho 2.
2. Từng bước, tiến và lùi tôi nghĩ là những hộp đen. Khi bạn chạy một mô hình thông qua cả ba, bạn sẽ không đến cùng một dự đoán. Vì vậy, về mặt sử dụng tôi sẽ không có câu trả lời rõ ràng. AIC hoặc BIC được sử dụng để so sánh các mô hình.