×

广义可加部分线性模型的估计和变量选择。 (英语) Zbl 1227.62053号

摘要:我们研究了广义可加部分线性模型,提出了使用多项式样条平滑来估计非参数函数,并推导了线性参数的基于拟似然的估计量。我们建立了参数分量估计的渐近正态性。该过程避免了像基于内核的过程那样求解大型方程组,从而提高了计算的简单性。我们进一步发展了一类线性参数的变量选择过程,方法是使用一个非压缩惩罚拟似然,该拟似然被证明具有渐近预言性质。本文给出了蒙特卡罗模拟和一个实证例子。

理学硕士:

62J12型 广义线性模型(逻辑模型)
62G08号 非参数回归和分位数回归
6220国集团 非参数推理的渐近性质
62G07年 密度估算
65天10分 数值平滑、曲线拟合
65二氧化碳 蒙特卡罗方法

软件:

半标准杆
PDF格式BibTeX公司 XML格式引用

参考文献:

[1] Breiman,L.(1996)。模型选择中不稳定性和稳定性的启发。安。统计师。24 2350-2383. ·Zbl 0867.62055号 ·doi:10.1214/aos/1032181158
[2] Buja,A.、Hastie,T.和Tibshirani,R.(1989)。线性平滑器和加法模型(带讨论)。安。统计师。17 453-555. ·Zbl 0689.62029号 ·doi:10.1214/aos/1176347115
[3] Carroll,R.J.、Fan,J.Q.、Gijbels,I.和Wand,M.P.(1997年)。广义部分线性单指数模型。J.Amer。统计师。协会92 477-489·Zbl 0890.62053号 ·doi:10.2307/2965697
[4] Carroll,R.J.、Maity,A.、Mammen,E.和Yu,K.(2009年)。重复测量数据的非参数加性回归。生物特征96 383-398·Zbl 1163.62028号 ·doi:10.1093/biomet/asp015
[5] Craven,P.和Wahba,G.(1979年)。使用样条函数平滑噪声数据。数字。数学。31 377-403. ·Zbl 0377.65007号 ·doi:10.1007/BF01404567
[6] de Boor,C.(2001)。样条线实用指南,修订版,应用数学科学27。纽约州施普林格·Zbl 0987.65015号
[7] Fan,J.和Li,R.(2001)。通过非冲突惩罚似然及其oracle属性进行变量选择。J.Amer。统计师。协会96 1348-1360·Zbl 1073.62547号 ·doi:10.1198/016214501753382273
[8] Fan,J.和Li,R.(2006)。高维统计挑战:知识发现中的特征选择。在国际数学家大会上。第三卷595-622。欧洲数学。苏黎世·Zbl 1117.62137号
[9] Frank,I.E.和Friedman,J.H.(1993年)。一些化学计量学回归工具的统计视图(含讨论)。技术计量35 109-148·Zbl 0775.62288号 ·doi:10.2307/1269656
[10] Härdle,W.、Huet,S.、Mammen,E.和Sperlich,S.(2004)。半参数广义可加模型中的Bootstrap推理。计量经济学理论20 265-300·Zbl 1072.62034号 ·doi:10.1017/S0266466604202X
[11] Hastie,T.J.和Tibshirani,R.J.(1990年)。广义加性模型。统计学和应用概率专著43。查普曼和霍尔,伦敦·Zbl 0747.62061号
[12] Huang,J.(1998)。广义回归的泛函方差分析模型。《多元分析杂志》。67 49-71. ·Zbl 0949.62028号 ·doi:10.1006/jmva.1998.1753
[13] Huang,J.(1999)。部分线性可加Cox模型的有效估计。安。统计师。27 1536-1563. ·Zbl 0977.62035号 ·doi:10.1214/aos/1017939141
[14] Hunter,D.和Li,R.(2005)。使用MM算法选择变量。安。统计师。33 1617-1642. ·Zbl 1078.62028号 ·doi:10.1214/009053605000000200
[15] Li,R.和Liang,H.(2008)。半参数回归建模中的变量选择。安。统计师。36 261-286. ·兹比尔1132.62027 ·doi:10.1214/09053607000000604
[16] Li,Y.和Ruppert,D.(2008)。关于惩罚样条的渐近性。生物特征95 415-436·Zbl 1437.62540号 ·doi:10.1093/biomet/asn010
[17] Lin,X.和Carroll,R.J.(2006)。一般重复测度问题中的半参数估计。J.R.统计社会服务。B Stat.方法。68 69-88. ·Zbl 1141.62026号 ·文件编号:10.1111/j.1467-9868.2005033.x
[18] Linton,O.和Nielsen,J.P.(1995)。基于边际积分的结构非参数回归估计的核方法。生物特征82 93-101·Zbl 0823.62036号 ·doi:10.1093/biomet/82.1.93
[19] Marx,B.D.和Eilers,P.H.C.(1998年)。具有惩罚似然的直接广义加性建模。计算。统计师。数据分析。28 193-209. ·Zbl 1042.62580号 ·doi:10.1016/S0167-9473(98)00033-4
[20] McCullagh,P.和Nelder,J.A.(1989)。广义线性模型,第二版,统计学和应用概率专著37。查普曼和霍尔,伦敦·Zbl 0744.62098号
[21] Nelder,J.A.和Wedderburn,R.W.M.(1972)。广义线性模型。J.罗伊。统计师。Soc.序列号。甲135 370-384。
[22] Ruppert,D.、Wand,M.和Carroll,R.(2003年)。半参数回归。剑桥大学出版社,剑桥·Zbl 1038.62042号
[23] Severini,T.A.和Staniswalis,J.G.(1994年)。半参数模型中的拟似然估计。J.Amer。统计师。协会89 501-511·兹比尔0798.62046 ·doi:10.2307/2290852
[24] Smith,J.W.、Everhart,J.E.、Dickson,W.C.、Knowler,W.C.和Johannes,R.S.(1988年)。使用ADAP学习算法预测糖尿病的发病。程序中。每年。交响乐团。计算。申请。医疗保健261-265。IEEE计算机学会出版社,华盛顿特区。
[25] Stone,C.J.(1985)。加性回归和其他非参数模型。安。统计师。13 689-705. ·Zbl 0605.62065号 ·doi:10.1214/aos/1176349548
[26] Stone,C.J.(1986)。广义可加模型的降维原理。安。统计师。14 590-606. ·Zbl 0603.62050号 ·doi:10.1214/aos/1176349940
[27] Stone,C.J.(1994)。多项式样条及其张量积在多元函数估计中的应用。安。统计师。22 118-184. ·Zbl 0827.62038号 ·doi:10.1214/aos/1176325361
[28] Tibshirani,R.(1996)。通过拉索回归收缩和选择。J.R.统计社会服务。B Stat.方法。58 267-288. ·Zbl 0850.62538号
[29] van der Vaart,A.W.和Wellner,J.A.(1996)。弱收敛和经验过程及其在统计学中的应用。纽约州施普林格·Zbl 0862.60002号
[30] Wood,S.N.(2004)。广义可加模型的稳定有效多重平滑参数估计。J.Amer。统计师。协会99 673-686·Zbl 1117.62445号 ·doi:10.1198/016214500000980
[31] Wood,S.N.(2006)。广义加性模型。查普曼和霍尔/CRC出版社,佛罗里达州博卡拉顿·Zbl 1087.62082号
[32] Xue,L.和Yang,L.(2006)。基于多项式样条的可加系数建模。统计师。Sinica 16 1423-1446年·Zbl 1109.62030号
[33] Yu,K.和Lee,Y.K.(2010)。广义部分线性加性模型中的有效半参数估计。J.韩国统计师。索氏39 299-304·兹比尔1294.62090 ·doi:10.1016/j.jkss.2010.02.001
[34] Yu,K.、Park,B.U.和Mammen,E.(2008)。广义可加模型中的平滑反求。安。统计师。36 228-260. ·Zbl 1132.62028号 ·doi:10.1214/009053607000000596
[35] 邹华(2006)。自适应Lasso及其oracle属性。J.Amer。统计师。协会101 1418-1429·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。