Construir un modelo de regresión por pasos

En ausencia de experiencia en la materia, la regresión por pasos puede ayudar en la búsqueda de los predictores más importantes del resultado de interés.

En este ejercicio, utilizarás un enfoque progresivo para añadir predictores al modelo uno a uno hasta que no se observe ningún beneficio adicional. Se ha cargado para ti el conjunto de datos donors.

Este ejercicio forma parte del curso

Aprendizaje supervisado en R: Clasificación

Ver curso

Instrucciones del ejercicio

Utiliza la interfaz de fórmulas de R con glm() para especificar el modelo base sin predictores. Establece la variable explicativa igual a 1.
Utiliza de nuevo la interfaz de fórmulas de R con glm() para especificar el modelo con todos los predictores.
Aplica step() a estos modelos para realizar una regresión por pasos hacia delante. Establece el primer argumento en null_model y establece direction = "forward". Esto puede llevar un rato (hasta 10 ó 15 segundos), ya que tu ordenador tiene que ajustar bastantes modelos diferentes para realizar la selección por pasos.
Crea un vector de probabilidades predichas utilizando la función predict().
Traza la curva ROC con roc() y plot() y calcula la AUC del modelo escalonado con auc().

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

# Specify a null model with no predictors
null_model <- ___(___, data = ___, family = "___")

# Specify the full model using all of the potential predictors
full_model <- ___

# Use a forward stepwise algorithm to build a parsimonious model
step_model <- step(___, scope = list(lower = null_model, upper = full_model), direction = "___")

# Estimate the stepwise donation probability
step_prob <- ___

# Plot the ROC of the stepwise model
library(pROC)
ROC <- ___
plot(___, col = "red")
auc(___)

Editar y ejecutar código