在具有重复试验的大型模型中改进 Hosmer-Lemeshow 拟合优度检验
Improving the Hosmer-Lemeshow Goodness-of-Fit Test in Large Models with Replicated Trials
AI总结：
本文通过模拟研究揭示 Hosmer-Lemeshow 检验在样本量固定且含二元重复观测时，其功效随模型复杂度增加而下降，并验证 Surjanovic 等人提出的广义 HL 检验可缓解该问题，为两种检验的选择提供指导。
摘要：
Hosmer-Lemeshow（HL）检验是一种常用的全局拟合优度（GOF）检验，用于评估逻辑回归模型整体拟合的质量。在本文中，我们给出的模拟结果表明，在样本量保持固定且数据中存在二元重复观测的情况下，随着模型复杂度的增加，HL 检验的第一类错误率（以及相应的功效）会下降。我们证明，Surjanovic 等人（2020）提出的 HL 检验的广义版本可以在一定程度上防止这种功效损失。最后，我们进行了简要讨论，解释了 HL 检验的行为，并就如何在两种检验之间进行选择提供了一些指导。
英文摘要：
The Hosmer-Lemeshow (HL) test is a commonly used global goodness-of-fit (GOF) test that assesses the quality of the overall fit of a logistic regression model. In this paper, we give results from simulations showing that the type 1 error rate (and hence power) of the HL test decreases as model complexity grows, provided that the sample size remains fixed and binary replicates are present in the data. We demonstrate that the generalized version of the HL test by Surjanovic et al. (2020) can offer some protection against this power loss. We conclude with a brief discussion explaining the behaviour of the HL test, along with some guidance on how to choose between the two tests.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
