A screening procedure for high-dimensional autologistic models

Logistic regression is adopted in failure prediction when the response is binary. We focus on variable selection assuming high-dimensionality and spatial autocorrelation (SAR). Pseudo maximum likelihood is asymptotically consistent for the autologistic when SAR is moderate but, in this framework, there is a shortage of variable selection methods. Robust screening procedures exist for generalized linear models with logit link function, but not for autologistic. We aim, by mean of a computational strategy, to identify the extent in which our screening procedure based on a marginal approach is valid for the autologistic model. We find a good performance, even for large SAR and moderate sample dimension.

Il modello logistico è usato per la previsione del fallimento quando la risposta è binaria. Ci focalizziamo sulla selezione delle variabili rilevanti sotto ipotesi di alta dimensionalità e autocorrelazione spaziale (SAR). Lo stimatore di pseudo massima verosimiglianza è asintoticamente consistente per modelli autologistici con SAR moderata, tuttavia, i metodi di selezione delle variabili in questo contesto scarseggiano. Esistono procedure di screening robuste per modelli lineari generalizzati con link logit, ma non per l’autologistico. Mediante strategia computazionale, si mira a testare la validità della procedure proposta, basata sulla selezione delle covariate rilevanti con un approccio marginale. Otteniamo una buona performance anche quando la SAR è alta e il campione è di dimensioni moderate.