Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2011 | nr 2 | 15-23
Tytuł artykułu

Dobór zmiennych objaśniających metodą najlepszego podzbioru do modelu regresji logistycznej Firtha

Warianty tytułu
Języki publikacji
PL
Abstrakty
EN
The application of logistic regression to small-sized data sets results in biased estimates and often leads to a complete separation problem. Under the small sample scenario the Firth’s approach to logistic regression or its Bayesian counterpart are known to solve both issues. The main goal of this study is to explore the effectiveness of the best subset variable selection algorithm, applied to both the classical and the Bayesian logistic regression.
Wydawca

Rocznik
Tom
Strony
15-23
Opis fizyczny
Bibliogr. 9 poz., tab.
Twórcy
autor
autor
  • Uniwersytet Ekonomiczny w Krakowie, Katedra Statystyki
Bibliografia
  • [1] Albert A., Anderson J.A. On the Existence of Maximum Likelihood Estimates in Logistic Regression Models. Biometrika 71, 1-10, 1984
  • [2] Chen M.-H., Ibrahim J.G., Kim S. Properties and Implementation of Jeffreys’s Prior in Binomial Regression Models. Journal of the American Statistical Association, Vol. 103, No. 484, 2008
  • [3] Firth D. Bias reduction of maximum likelihood estimates. Biometrika 80, 27 - 38, 1993
  • [4] Heinze G. Technical Report 10: The application of Firth’s procedure to Cox and logistic regression. Department of Medical Computer Sciences, Section of Clinical Biometrics, Vienna University, Vienna, 1999
  • [5] Heinze G., Schemper M. A Solution to the Problem of Separation in logistic regression. Statistics in Medicine 21, 2409 - 2419, 2002
  • [6] Heinze G., Ploner M. A SAS macro, S-PLUS library and R package to perform logistic regression without convergence problems. Section of Clinical Biometrics, Department of Medical Computer Sciences, Medical University of Vienna, Vienna, Technical Report 2/2004, 2004
  • [7] Heinze G. A comparative investigation of methods for logistic regression with separated or nearly separated data. Statistics in Medicine 25, 4216 - 4226, 2006
  • [8] Long J. Scott Regression models for categorical and limited dependent variables. SAGE, 1997
  • [9] R Development Core Team, R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, ISBN 3-900051-07-0, http://www.R-project.org, 2010
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.baztech-article-BPS3-0022-0043
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.