Mejor selección de subconjuntos de regresión logística

La selección de covariables es un paso importante en cualquier situación de modelado de regresión. Una estrategia efectiva cuando el modelo es una regresión lineal con errores normales es utilizar un paquete de software que implemente un algoritmo de selección de mejores subconjuntos. Hace varios años, Lawless y Singhal (1978) propusieron un método para filtrar eficientemente modelos de regresión no normales, proporcionando así la base para la regresión no lineal de mejores subconjuntos. Recientemente, Lawless y Singhal (1987a, 1987b) han puesto a disposición un paquete de software que implementa su método. El propósito de esta nota es ilustrar que para uno de los modelos de regresión no normal más utilizados, la regresión logística, podemos realizar el análisis de Lawless-Singhal con cualquier programa de regresión lineal de mejores subconjuntos que permita pesos de caso. Los métodos presentados también pueden obtenerse del método general de selección de modelos propuesto por Gilks (1986). También discutimos el uso e interpretación de la medida de error cuadrático predictivo de Mallows como una estadística para comparar modelos con diferentes subconjuntos de variables.