在逐步回归中,"向前选择"(ForwardSelection)的策略是:()A. 从模型中移除不显著的变量B. 随机选择变量构建多个模型C. 同时添加和移除变量以优化模型D. 从无变量(空模型)开始,逐个添加显著变量

逐步回归是一种变量选择方法，旨在找到最优的自变量组合来预测因变量。其中，“向前选择”（Forward Selection）的核心思路是从空模型开始，逐步添加对模型贡献最大的变量，直到没有显著变量可添加为止。
关键点：

1. 初始模型不含任何变量；
2. 每次只添加一个变量，且仅保留显著变量；
3. 终止条件是无法进一步提升模型性能。
   需注意区分其他策略（如“向后删除”是先包含所有变量再移除不显著的，而“逐步选择”会同时添加和移除变量）。

“向前选择”的具体步骤：

1. 初始状态：模型中无自变量（空模型）。
2. 迭代选择：
   • 计算所有未入选变量加入模型后的性能指标（如$R^2$、AIC等）。
   • 选择贡献最大的变量加入模型。
3. 终止条件：若无变量的加入能显著提升模型，则停止。

选项分析：

• A：描述的是“向后删除”策略，与“向前选择”相反。
• B：随机选择不符合逐步回归的系统性逻辑。
• C：属于“逐步选择”（同时添加和移除变量），而非“向前选择”。
• D：准确描述了从空模型开始、逐个添加显著变量的过程，符合定义。