我為一個樸素的問題表示歉意，但是，如果我有一個連續的數值變量列表，並想確定哪些變量對二項式分類結果變量有顯著影響，我知道逐步回歸可能是goto平台，但不會是迭代多元變量建模使用廣義二項式模型的方法是否一樣？在多變量方法之前進行逐步方法是否有好處，特別是如果一個人不考慮交互作用，或者換句話說，甚至需要多變量模型平台嗎？更進一步，如果我想對變量進行分區，那麼該平台是否仍會從穀殼中選出小麥呢？
如今，有很多模型可供選擇，並且在每種類型的模型之內和之間選擇最佳模型的方法也很多。通過使用不止一種選擇方法和不止一種類型的模型，您可以了解很多有關數據，響應以及響應與預測變量的關係的知識。
我不同意“ 逐步回歸可能是goto平台。 “這是一個有用的工具，但與其他方法一樣，它也有其缺點和缺點。即使在最佳情況下，也不能保證逐步回歸能找到最佳模型。用戶希望它節省了大量的人工（生產率），並達到或接近最佳模型。但是任何搜索方法的結果都取決於所採用的路徑。
一些建模者會在選擇最佳模型之前嘗試確定有用的預測變量。逐步主要是模型選擇方法。
聽起來好像您使用的是相同類型的模型（具有二項式響應的GLM），但要考慮逐步搜索方法和手動搜索方法之間的差異。如果是這樣，那麼我會期望得到相同的結果。
你試過了嗎？如果是這樣，您學到了什麼？如今，還沒有卓越的選擇方法或模型類型，因此經驗表現才是硬道理。
我同意100％ @markbailey 的意見和建議。 @ 34南方 ，許多人還希望觀看此在線網絡廣播：
https://www.jmp.com/zh_CN/events/ondemand/analytically-speaking/to-explain-or-predict-that-is-the-question.html
Shmeuli博士在選擇建模方法時涉及許多不同但重要的主題。
最後，如果您擁有JMP Pro，您會發現“模型比較”和“公式倉庫”平台對於有效地比較多個建模結果的性能特別有用。您還可以訪問其他擅長處理分類響應數據的建模平台。例如，懲罰回歸和PLS平台可能會非常有幫助。
