不，不应该。例如，对于逻辑回归，这似乎是这里的情况，可能是更大的 p 值（我假设你在这里指的是正确的 p 值，比如来自似然比检验）来自增加的几率对于已经相对极端的（正确预测的）观察（例如，所有预测概率为 0.8 的观察变为 0.9，所有预测概率为 0.2 的观察变为 0.1），而那些仅位于 50% 阈值右侧的观察现在是就在另一边。结果，现在可以更自信地预测四肢，但有更多的错误分类。

一般来说，良好的拟合并不能保证良好的预测（或相反）——尽管这是当今大多数“科学”出版物的工作方式:-(

我建议您研究一种更先进的技术，例如 LASSO 或弹性网络来进行变量选择……它还可以轻松地让您优化一些预测措施，例如错误分类。在 R 中，尝试 glmnet。

“真阳性”，如正确分类的比例，需要对预测值进行任意且信息丢失的分类。这些都是不正确的评分规则。不正确的评分规则是一个标准，当优化后会导致一个虚假的模型。此外，在以任何方式使用 P 值来指导模型选择时，请注意。这将极大地扭曲最终模型的推断。