变量选择的传统方法是找到对预测新响应贡献最大的变量。最近我知道了一个替代方案。在确定治疗效果的变量建模中——例如在药物的临床试验中——变量被认为是定性相互作用的如果在保持其他因素不变的情况下进行治疗，则该变量的变化可以产生最有效的治疗变化。这些变量并不总是效果的强预测因子，但在决定对个体患者的治疗时对医生来说可能很重要。在她的博士论文中，Lacey Gunter 开发了一种方法来选择这些定性相互作用的变量，这些变量可能会被基于预测的选择算法所遗漏。最近，我与她合作将这些方法扩展到其他模型，包括逻辑回归和 Cox 比例风险回归模型。
我有两个问题：
- 您如何看待这些新方法的价值？
- 在传统方法的情况下，您更喜欢哪种方法？AIC、BIC、Mallows Cp、F 测试等标准，用于逐步、向前和向后输入或删除变量……
关于这方面的第一篇论文发表于 Gunter, L.、Zhu, J 和 Murphy, SA (2009)。定性交互的变量选择。统计方法 doi:10, 1016/j.stamet.2009.05.003。
下一篇论文发表在 Gunter, L.、Zhu, J. 和 Murphy, SA (2011) 上。 个性化医疗中定性相互作用的变量选择，同时控制家庭错误率。生物制药统计杂志21, 1063-1078。
下一篇出现在关于变量选择的特刊 Gunter, L.、Chernick, MR 和 Sun, J. (2011)。关于治疗选择的回归中变量选择的简单方法。巴基斯坦统计与运筹学杂志7：363-380。
您可以在期刊网站上找到这些论文。您可能需要购买该文章。我可能有这些文章的 pdf 文件。莱西和我刚刚完成了一本关于这个主题的专着，将于今年晚些时候作为 SpringerBrief 出版。