×
莫特萨·阿米尼；马赫迪·鲁兹贝赫

通过减去加性结构噪声来提高拉索的预测性能。 （英语） Zbl 1417.62070号

计算。斯达。 第13415-432号（2019）.
小结：结果表明，通过稀疏可加部分线性模型减去结构噪声，LASSO方法对高维数据集的预测性能得到了改善。通过进一步将LASSO方法应用于线性部分的预测因子，提出了部分残差估计方法和后向滤波算法的温和组合，以估计参数。将该方法应用于核黄素生产数据集，并进行了模拟研究，以检验该方法的性能。

引用于1文件

MSC公司：

62G08号 非参数回归和分位数回归
62J07型 岭回归；收缩估计器（拉索）
62J12型 广义线性模型（逻辑模型）
6220国集团 非参数推理的渐近性质
62-08 统计问题的计算方法

关键词：

可加部分线性模型；高维的；拉索；核平滑；稀疏性

软件：

法尔迈尔；加迈尔；半标准杆
PDF格式BibTeX公司 XML格式引用
\textit{M.Amini}和\textit{M.Roozbeh}，计算。Stat.34，No.1，415--432（2019；Zbl 1417.62070）
全文： DOI程序

参考文献：

[1] Amini M，Roozbeh M（2015）受限半参数回归模型中的最优部分岭估计。多变量分析杂志136:26-40·Zbl 1308.62081号
[2] Bach FR（2008）组套索和多核学习的一致性。J Mach学习研究9:1179-1225·Zbl 1225.68147号
[3] Binder H，Tutz G（2008）广义可加模型拟合方法的比较。统计计算18（1）：87-99
[4] Breiman L（1999）预测游戏和电弧算法。神经计算11（7）：1493-1517·Zbl 1508.68280号
[5] Bühlmann P，Kalisch M，Meier L（2014）《着眼于生物学应用的高维统计》。附录版本1:255-278
[6] Denby L（1984）平滑回归函数。博士论文。密歇根大学安阿伯分校统计系
[7] Efron B、Hastie T、Johnstone I、Tibshirani R等人（2004），最小角度回归。安统计32（2）：407-499·Zbl 1091.62054号
[8] Fahrmeir L，Tutz G（2013）基于广义线性模型的多元统计建模。柏林施普林格·Zbl 0980.62052号
[9] Fan J，Li R（2001）基于非冲突惩罚似然的变量选择及其预言性质。美国国家统计协会96（456）：1348-1360·Zbl 1073.62547号
[10] Fan J，Peng H等人（2004）参数数目不同的非凹陷惩罚可能性。Ann Stat 32（3）：928-961·兹比尔1092.62031
[11] Friedman JH（2001）贪婪函数近似：梯度提升机。Ann统计29:1189-1232·兹比尔1043.62034
[12] Friedman JH，Stuetzle W（1981）投影寻踪回归。美国统计协会杂志76（376）：817-823
[13] Gasser T，Müller H-G（1979）回归函数的核估计。In:Gasser T，Rosenblatt M（eds）曲线估计的平滑技术。数学课堂笔记，第757卷。施普林格，柏林，海德堡，第23-68页·Zbl 0418.62033号
[14] Geyer CJ（1996）关于凸随机优化的渐近性（未发表稿）
[15] Hastie T，Tibshirani R（1987）广义可加模型：一些应用。美国统计协会杂志82（398）：371-386·Zbl 0633.62067号
[16] Hastie TJ，Tibshirani RJ（1990）广义可加模型。统计学和应用概率专著，第43卷。查普曼和霍尔，伦敦·Zbl 0747.62061号
[17] Huang J，Horowitz JL，Wei F（2010）非参数可加模型中的变量选择。安统计38（4）：2282·Zbl 1202.62051号
[18] Huang L，Jiang H，Tian H（2018）具有自相关误差的动态半变系数模型的模型选择一致性。公共统计理论方法1-10。https://doi.org/10.1080/03610926.2017.1414265 ·Zbl 07530608号
[19] Lei H，Xia Y，Qin X等（2016）带ARMA误差的半变系数时间序列模型的估计。Ann Stat 44（4）：1618-1660·Zbl 1346.60020号
[20] Lin Y，Zhang HH等（2006）多元非参数回归中的成分选择和平滑。Ann Stat 34（5）：2272-2297·Zbl 1106.62041号
[21] Liu X，Wang L，Liang H（2011）半参数可加部分线性模型的估计和变量选择（ss-09-140）。统计Sin 21（3）：1225·Zbl 1223.62020年
[22] Marx BD，Eilers PHC（1998）带惩罚似然的直接广义加性建模。计算统计数据分析28（2）：193-209·Zbl 1042.62580号
[23] McCullagh P，Nelder JA（1989）《广义线性模型》，第37卷。CRC出版社，伦敦·Zbl 0744.62098号
[24] Meier L，Van de Geer S，Bühlmann P等人（2009），高维加性建模。美国国家统计局37（6B）：3779-3821·Zbl 1360.62186号
[25] Opsomer JD，Ruppert D（1999）半参数加性建模的根n一致反拟合估计器。J计算图形统计8（4）：715-732
[26] Ravikumar P、Lafferty J、Liu H、Wasserman L（2009）《稀疏可加模型》。J R Stat Soc Ser B（统计方法）71（5）：1009-1030·Zbl 1411.62107号
[27] Robinson GK等人（1991），BLUP是一件好事：随机效应的估计。统计科学6（1）：15-32·Zbl 0955.62500号
[28] Ruppert D，Wand MP，Carroll RJ（2003）半参数回归。剑桥统计和概率数学系列。剑桥大学出版社·Zbl 1038.62042号
[29] Tibshirani R（1996）通过套索回归收缩和选择。J R Stat Soc Ser B（Methodol）期刊58:267-288·Zbl 0850.62538号
[30] Tutz G，Binder H（2006）通过基于相似性的增强进行隐式变量选择的广义加性建模。生物统计学62（4）：961-971·Zbl 1116.62075号
[31] 王浩，夏云（2009）变系数模型的收缩估计。美国统计协会杂志104（486）：747-757·Zbl 1388.62213号
[32] Wang L，Liu X，Liang H，Carroll RJ（2011）广义可加部分线性模型的估计和变量选择。Ann Stat 39（4）：1827年·Zbl 1227.62053号
[33] Wang L，Chen G，Li H（2007）微阵列时间进程基因表达数据的组SCAD回归分析。生物信息学23（12）：1486-1494
[34] Wang T，Xia Y（2015）具有移动平均残差的非线性自回归模型的Whittle似然估计。美国统计协会期刊110（511）：1083-1099·Zbl 1373.62460号
[35] 王毅（1998）混合效应平滑样条方差分析。J R Stat Soc Ser B（统计方法）60（1）：159-174·Zbl 0909.62034号
[36] Wood SN（2000）用多重二次惩罚进行建模和平滑参数估计。J R Stat Soc Ser B（统计方法）62（2）：413-428
[37] Wood SN（2004）广义可加模型的稳定有效多重平滑参数估计。美国统计协会杂志99（467）：673-686·Zbl 1117.62445号
[38] Wood SN（2006）广义加性模型：R.Chapman和Hall/CRC的介绍，伦敦·Zbl 1087.62082号
[39] Zhang C-H等（2010）极小极大凹罚下的几乎无偏变量选择。Ann统计38（2）：894-942·Zbl 1183.62120号
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。