贝叶斯模型平均法的基本原理及其在logistic回归中的应用实例

摘要：

目的 介绍Bayesian模型平均法的基本原理,并对实际资料进行分析,指出该方法的优越性.方法 以Hosmer和Lemeshow研究低出生体重婴儿影响因素的队列研究为例,分别以Bayesian模型平均法和逐步logistic回归法选择最佳模型,并分析比较二者的差异及原因.结果 Bayesian模型平均法确定的10个后验概率最大的模型的累积后验概率仅为0.59,模型本身的不确定性是很大的,而逐步logistic回归法确定的最佳模型的后验概率(P(βk≠0|D)＜0.032)要远低于Bayesian模型平均法确定的最佳模型的后验概率(P(βk≠0|D)=0.12).从回归系数的估计值、标准误和P值比较两种方法的结果发现,Bayesian模型平均法估计的精度较高,而逐步logistic回归法由于没有考虑模型本身的不确定性,偏向于高估结果.结论 Bayesian模型平均法考虑了模型本身的不确定性,其分析结果更可靠,在统计建模中具有较好的应用前景.

关键词：logistic回归模型、Bayesian模型平均法、模型不确定性、后验概率

所属期刊栏目：24

分类号：R1(预防医学、卫生学)

资助基金：国家自然科学基金30590374;国家科技攻关计划2004BA718B04

在线出版日期：2007-12-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：467-471