×
塔珊娜·纳达拉杰;阿索坎·穆拉亚斯·瓦里亚斯;洛雷多·奥斯蒂，J.康塞普西翁

基于惩罚广义拟似然的纵向数据变量选择。 （英语） Zbl 1407.62110号

Sutradhar，Brajendra C.（编辑），相关数据参数和半参数分析的进展和挑战。2015年国际统计研讨会论文集，ISS 2015，加拿大圣约翰，2015年7月6日至8日。查姆：斯普林格。莱克特。《票据统计》第218233-250页（2016年）。
摘要：具有大量协变量的高维纵向数据在许多生物医药应用中越来越普遍。为了便于解释，有必要识别充分代表数据的子模型。此外，包含冗余变量可能会妨碍估计和推断的准确性和效率。纵向数据的联合似然函数具有挑战性，尤其是在相关离散数据中。为了克服这个问题，L·王等【生物统计学68，第2期，353–360（2012；兹比尔1251.62051)]引入了惩罚GEE（PGEE），它具有一个非凸罚函数，只需要前两个边缘矩和一个工作相关矩阵；然而，存在模型误定的风险，如方差函数和相关结构，在这种情况下，我们提出了基于惩罚广义拟似然（PGQL）的变量选择。仿真研究表明，当模型假设成立时，PGQL方法的性能与PGEE相当。然而，当模型被错误地指定时，PGQL方法比PGEEs方法具有明显的优势。我们已经在一个实际例子中实现了该方法。
关于整个系列，请参见[Zbl 1347.62015年].

MSC公司：

62G05型 非参数估计
92C40型 生物化学、分子生物学
62H20个 关联度量（相关性、典型相关性等）
65二氧化碳 蒙特卡罗方法
62页第10页 统计学在生物学和医学中的应用；元分析

关键词：

通用电气设备;广义拟似然;纵向数据;变量选择

引文：

Zbl 1251.62051号
PDF格式BibTeX公司 XML格式引用
\textit｛T.Nadrajah｝等人，Lect。票据统计218233--250（2016；Zbl 1407.62110）
全文： 内政部

参考文献：

[1] Akaike，H：信息论是最大似然原理的延伸。参见：Petrove，B.N.，Csaki，F.（eds.）第二届信息理论研讨会，第267-282页。布达佩斯Akademiai Kiado（1973）
[2] Akaike，H：统计模型识别的新视角。IEEE传输。自动。控制19，716-723（1974）·Zbl 0314.62039号 ·doi:10.1109/TAC.1974.1100705
[3] Antoniadis，A.：《统计学中的小波：综述》（含讨论）。J.意大利统计协会6，97-144（1997）·Zbl 1454.62113号 ·doi:10.1007/BF03178905
[4] Antoniadis，A.，Fan，J.：小波近似的正则化。《美国统计协会期刊》96，939-967（2001）·Zbl 1072.62561号 ·doi:10.19198/0162114501753208942
[5] Cantoni，E.，Flemming，J.M.，Ronchetti，E.：边际纵向广义线性模型的变量选择。《生物特征》61，507-514（2005）·Zbl 1077.62056号 ·文件编号：10.1111/j.1541-0420.2005.00331.x
[6] Craven，P.，Wahba，G.：用样条函数平滑噪声数据：通过广义交叉验证方法估计平滑的正确程度。数字。数学。31, 377-403 (1979) ·Zbl 0377.65007号 ·doi:10.1007/BF01404567
[7] 克劳德，M.J.：关于使用广义线性模型进行重复测量时工作相关矩阵的使用。《生物特征》82，407-410（1995）·Zbl 0823.62060号 ·doi:10.1093/biomet/82.2.407
[8] Donoho，D.L.，Johnstone，I.M.：小波收缩的理想空间自适应。《生物特征》81，425-455（1994）·Zbl 0815.62019号 ·doi:10.1093/biomet/81.3.425
[9] Dziak，J.J.，Li，R.，Qu，A.：纵向数据二次推理函数方法概述。《统计学前沿》第1卷：生物统计和生物信息学的新发展，J.Fan、J.S.Liu和X.Lin（编辑），第3章，49-72。5 Toh Tuch Link，新加坡：世界科学出版社，（2009年）
[10] Fan，J.：评论A.Antoniadis的《统计学中的小波：评论》。《意大利统计协会杂志》，第6期，第131-138页（1997年）·Zbl 1454.62116号 ·doi:10.1007/BF03178906
[11] Fan，J.，Li，R.：基于非凹惩罚似然的变量选择及其预言性质。《美国统计协会期刊》96，1348-1360（2001）·兹比尔1073.62547 ·doi:10.1198/016214501753382273
[12] Fan，J.，Li，R.：纵向数据分析中半参数建模的新估计和模型选择程序。《美国统计协会期刊》第99卷，第710-723页（2004年）·Zbl 1117.62329号 ·doi:10.1198/016214500000060
[13] Liang，K.Y.，Zeger，S.L.：使用广义线性模型的纵向数据分析。《生物特征》73，13-22（1986）·Zbl 0595.62110号 ·doi:10.1093/biomet/73.1.13
[14] Lv，J.，Fan，Y.：使用正则化最小二乘进行模型选择和稀疏恢复的统一方法。Ann.Stat.37，3498-3528（2009年）·Zbl 1369.62156号 ·doi:10.1214/09-AOS683
[15] McKenzie，E.：泊松计数相关序列的一些ARMA模型。高级申请。普罗巴伯。20, 822-835 (1988) ·Zbl 0664.62089号 ·doi:10.2307/1427362
[16] Nadarajah，T.：基于惩罚经验似然的变量选择。纽芬兰纪念大学圣约翰分校硕士论文（2011年）
[17] Pan，W.：广义估计方程中的Akaike信息准则。生物统计学57，120-125（2001）·Zbl 1210.62099号 ·doi:10.1111/j.0006-341X.2001.00120.x
[18] Schwarz，G.：估算模型的维数。Ann.Stat.6，461-464（1978）·Zbl 0379.62005年 ·doi:10.1214/aos/1176344136
[19] 不列颠哥伦比亚省Sutradhar：离散纵向响应回归模型概述。统计科学。18, 377-393 (2003) ·Zbl 1067.62072号 ·doi:10.1214/ss/1076102426
[20] Sutradhar，B.C.家族纵向数据的动态混合模型。纽约：施普林格出版社（2011）·Zbl 1277.62026号 ·doi:10.1007/978-1-4419-8342-8
[21] Sutradhar，B.C.，Das，K.：关于纵向数据广义线性模型中回归估计的效率。《生物特征》86，459-465（1999）·Zbl 0956.62053号 ·doi:10.1093/biomet/86.2.459
[22] Sutradhar，B.C.，Kovacevic，M.：分析有序纵向调查数据：广义估计方程方法。《生物特征》87，837-848（2000）·Zbl 1028.62009号 ·doi:10.1093/biomet/87.4.837
[23] Tibshirani，R.：通过套索进行回归收缩和选择。J.R.Stat.Soc.B 58，267-288（1996）·Zbl 0850.62538号
[24] Variyath，A.M.：通过经验似然在广义线性模型中选择变量。滑铁卢大学博士论文（2006年）
[25] Variyath，A.M.，Chen，J.，Abraham，B.：基于经验似然的变量选择。J.统计计划。推断。140, 971-981 (2010) ·Zbl 1179.62047号 ·doi:10.1016/j.jspi.2009.09.025
[26] Wang，H.，Leng，C.：通过最小二乘近似进行统一LASSO估计。《美国统计协会期刊》102，1039-1048（2007）·Zbl 1306.62167号 ·doi:10.1198/0162145000000509
[27] Wang，L.，Qu，A.：估计方程法中纵向数据的一致模型选择和数据驱动平滑测试。J.R.统计社会服务。B 71，177-190（2009）·Zbl 1231.62074号 ·doi:10.1111/j.1467-9868.2008.00679.x
[28] Wang，L.，Li，H.，Huang，J.：用于重复测量分析的非参数变系数模型中的变量选择。《美国统计协会期刊》103，1556-1569（2008）·Zbl 1286.62034号 ·doi:10.1198/0162145000000788
[29] Wang，L.，Zhou，J.，Qu，A.：高维纵向数据分析的惩罚广义估计方程。生物统计学68，353-360（2012）·Zbl 1251.62051号 ·doi:10.1111/j.1541-0420.2011.01678.x
[30] Wedderburn，R.W.M.：拟似然函数、广义线性模型和Gauss-Newton方法。生物特征61（3），439-444（1974）·Zbl 0292.62050号
[31] Xu，P.，Wu，P..，Wang，Y.，Zhu，L.X.：纵向数据分析中基于GEE的广义线性模型收缩估计。香港浸会大学数学系技术报告（2010年）
[32] 薛，L.，瞿，A.，周，J.：相关数据边际广义可加模型的一致模型选择。《美国统计协会期刊》105，1518-1530（2010）·兹比尔1388.62223 ·doi:10.1198/jasa.2010.tm10128
[33] 肖，N.，张，D.，张，H.H.：纵向研究中半参数混合模型的变量选择。生物统计学66，79-88（2009）·兹比尔1187.62075
[34] Zhang，H.H.，Lu，W.：考克斯比例风险模型的自适应拉索。《生物特征》94，691-703（2007）·Zbl 1135.62083号 ·doi:10.1093/biomet/asm037
[35] Zou，H.：自适应拉索及其预言属性。《美国统计协会期刊》101（476），1418-1429（2006）·Zbl 1171.62326号 ·doi:10.1198/016214500000735
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。