海达尔·科奇;埃姆雷·杜德;塞尔皮尔·古穆什·特金;库萨，图巴;穆罕默德·阿里·岑吉兹 基于粒子群优化的泊松回归分析中基于信息复杂性类型准则的变量选择。 （英文） Zbl 1508.62165号 Commun公司。统计、理论方法 47，第21号，5298-5306（2018）. 摘要：计数响应的建模是通过泊松回归模型进行的。本文讨论了泊松回归分析中的变量选择问题。本文的基本重点是介绍基于信息复杂度的泊松回归准则的有用性。采用粒子群优化算法（PSO）最小化信息准则，以实际数据集为例，对高共线和低相关数据集进行了两次仿真研究。结果证明了信息复杂型准则的能力。根据结果，通过粒子群优化算法，在计数数据建模中可以有效地使用信息复杂型判据代替经典准则。 引用于1文件 MSC公司： 62J05型 线性回归；混合模型 90 C59 数学规划中的逼近方法和启发式方法 关键词：泊松回归;变量选择;粒子群优化 软件：最好的;Glmulti公司;计数;CRAN（起重机）;对 PDF格式BibTeX公司 XML格式引用 \textit{H.Koç}等人，Commun。Stat.，Theory Methods 47，No.21，5298--5306（2018；Zbl 1508.62165） 全文： 内政部 参考文献： [1] Akaike，H.1973年。高斯自回归滑动平均模型的最大似然辨识。生物特征60 (2):255-65. doi:10.1093/biomet/60.2.255·Zbl 0318.62075号 ·doi:10.1093/biomet/60.2.255 [2] 博兹多安，H.2000。Akaike的信息标准和信息复杂性的最新发展。数学心理学杂志44 (1):62-91. doi:10.1006/jmps.1999.1277·兹比尔1047.62501 ·doi:10.1006/jmps.1999.1277 [3] Bozdogan，H.2004年。利用信息复杂性和遗传算法进行智能统计数据挖掘。统计数据挖掘和知识发现. \(0-58488-344-8/04/0.00+1.50\):15-56. [4] 加尔卡尼奥，V.和C.de Mazancourt。2010年，Glmulti:R包，用于使用（广义）线性模型进行简单的自动模型选择。统计软件杂志34 (12):1-29. doi:10.18637/jss.v034.i12·doi:10.18637/jss.v034.i12 [5] Cameron，A.C.和P.K.Trivedi。1998计数数据的回归分析纽瓦·约克：剑桥大学出版社·Zbl 0924.62004号 ·doi:10.1017/CBO9780511814365 [6] Clerc，M.，2010年。粒子群优化（第93卷）伦敦：John Wiley&Sons。 [7] Deniz，E.、O.Akbilgic和J.A.Howe。2011.使用新估计方法下的信息标准进行模型选择：最小二乘比。应用统计学杂志38 (9):2043-50. doi:10.1080/02664763.2010.545111·Zbl 1511.62150号 [8] Drezner，Z.、G.A.Marcoulides和S.Salhi。1999年，多元回归分析中的禁忌搜索模型选择。统计中的通信——模拟和计算28 (2):349-67. doi:10.1080/03610919908813553·Zbl 0929.62074号 [9] Gheisari，S.和M.R.Meybodi。2016年，BNC-PSO：通过粒子群优化对贝叶斯网络进行结构学习。信息科学348:272-89. doi:10.1016/j.ins.2016.01.090·Zbl 1398.68435号 ·doi:10.1016/j.ins.2016.01.090 [10] Hilbe，J.M.和Robinson，M.A.，2012年。包“COUNT”。起重机。r项目。org/web/packages/COUNT/COUNT.pdf。 [11] Hilbe，J.M.，2014年。建模计数数据。美利坚合众国：剑桥大学出版社。 ·doi:10.1017/CBO9781139236065 [12] Hwang，J.S.和T.H.Hu，2015年。一种用于高维变量选择的逐步回归算法。统计计算与模拟杂志85 (9):1793-806. doi:10.1080/00949655.2014.902460·Zbl 1457.62212号 [13] Kennedy J.和Eberhart R.，1995年。粒子群优化。IEEE神经网络国际会议论文集. 0-7803-2768-3/95/\(4.00:1942-8. doi:10.1109/ICNN.1995.488968）·doi:10.1109/ICNN.1995.488968 [14] J.Kennedy，2011年。粒子群优化。在机器学习百科全书，编辑C.Sammut和G.I.Webb（第760-6页）。美国：斯普林格。 [15] Koc、E.K.和H.Bozdogan。2015.使用信息复杂性作为适应度函数的多元自适应回归样条（MARS）模型选择。机器学习101 (1-3):35-58. ·Zbl 1383.62115号 ·doi:10.1007/s10994-014-5440-5 [16] Marini，F.和B.Walczak。2015.粒子群优化（PSO）。教程。化学计量学和智能实验室系统149:153-65. doi:10.1016/j.chemolab.2015.08.020·doi:10.1016/j.chemolab.2015.08.020 [17] McLeod，A.I.和C.Xu。2010年，bestglm：最佳子集GLM。统一资源定位地址http://CRAN.R-project.org/package=bestglm。 [18] Orkcü，H.H.2013年。多元线性回归模型中的子集选择：遗传算法和模拟退火算法的混合。应用数学与计算219 (23):11018-28. doi:10.1016/j.amc.2013.05.016·兹比尔1302.62159 ·doi:10.1016/j.amc.2013.05.016 [19] Pacheco，J.、S.Casado和L.Núñez。2009。一种基于禁忌搜索逻辑回归模型的变量选择方法。欧洲运筹学杂志199 (2):506-11. doi:10.1016/j.ejor.2008.10.07·Zbl 1176.90268号 ·doi:10.1016/j.ejor.2008.10.07 [20] Pamukçu、E.、H.Bozdogan和S.J。2015.一种新的混合降维技术，用于使用癌症分类信息复杂性标准的尺寸不足的高维基因表达数据集。医学中的计算和数学方法2015年，第14页。doi:10.1155/2015/370640·Zbl 1344.92015年 ·doi:10.1155/2015/370640 [21] Sakate，D.M.、D.N.Kashid和D.T.Shirke，2011年。泊松回归中的子集选择。统计理论与实践杂志5 (2):207-19. doi:10.1080/15598608.2011.10412024·Zbl 06082940号 [22] 施瓦兹，G.1978。估算模型的维度。统计学年鉴6 (2):461-4. 网址：https://doi.org/10.1214/aos/1176344136。doi:10.1214/aos/1176344136·Zbl 0379.62005年 ·doi:10.1214/aos/1176344136 [23] Shi，Y.2004。粒子群优化。IEEE连接2(1):8-13. [24] 杉浦，N.1978。根据akaike的信息标准和有限修正进一步分析数据：根据akaik的信息标准进一步分析数据。统计学中的传播——理论与方法7 (1):13-26. doi:10.1080/03610927808827599·Zbl 0382.62060号 [25] 团队，R.C.2000。R语言定义.奥地利维也纳：统计计算研究基金会。 [26] Unler，A.和A.Murat。2010.一种用于二进制分类问题中特征选择的离散粒子群优化方法。欧洲运筹学杂志206 (3):528-39. doi:10.1016/j.ejor.2010.02.032·Zbl 1188.90280号 ·doi:10.1016/j.ejor.2010.02.032 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。