张艺云;李润泽;蔡志玲 基于广义信息准则的正则化参数选择。 (英语) Zbl 1397.62262号 美国统计协会。 105,编号489,312-323(2010). 摘要:我们应用非凹陷惩罚似然方法来获得变量选择和收缩估计。该方法在很大程度上依赖于正则化参数的选择,从而控制模型的复杂性。在本文中,我们建议使用广义信息准则(包括常用的Akaike信息准则(AIC)和贝叶斯信息准则(BIC))来选择正则化参数。我们的建议将经典变量选择准则与非协调惩罚似然方法的正则化参数选择联系起来。我们表明,BIC类型选择器能够一致地识别真实模型,并且得到的估计器具有术语中的oracle属性J.风扇和R.李【《美国统计协会期刊》第96卷第456、1348–1360号(2001年;Zbl 1073.62547号)]. 然而,相比之下,AIC类型选择器倾向于以正概率过度拟合。我们进一步表明AIC型选择器是渐近损失效率的,而BIC型选择器则不是。我们的模拟结果证实了这些理论发现,并给出了一个实证例子。在线补充材料中提供了一些技术证明。 引用于87文件 MSC公司: 62J07型 山脊回归;收缩估计器(拉索) 62F07型 统计排名和选择程序 62英尺10英寸 点估计 62J12型 广义线性模型(逻辑模型) 关键词:Akaike信息准则;贝叶斯信息准则;最小绝对收缩算子;选择运算符;非凹惩罚似然;平滑剪裁绝对偏差 引文:Zbl 1073.62547号 PDF格式BibTeX公司 XML格式引用 \textit{Y.Zhang}et al.,J.Am.Stat.Assoc.105,No.489,312--323(2010;Zbl 1397.62262) 全文: 内政部 链接