李桑根;哦,Miae;金永代(Kim,Yongdai) 非凸群惩罚估计的稀疏优化。 (英语) Zbl 1510.62310号 J.统计计算。模拟 86,第3期,597-610(2016)。 摘要:我们考虑一个线性回归模型,其中协变量中存在组结构。建议使用LASSO组来选择组变量。将许多非凸罚函数(如平滑剪裁绝对偏差和极小极大凹罚函数)推广到群变量选择问题。群坐标下降(GCD)算法被广泛用于拟合这些模型。然而,由于计算复杂性,除非设计矩阵是正交的,否则GCD算法很难应用于非凸群惩罚。本文将凹凸过程与群LASSO算法相结合,提出了一种有效的非凸群惩罚优化算法。我们还将所提出的算法推广到广义线性模型。我们通过模拟数据和实际数据集评估了该算法和现有GCD算法的数值效率。 引用于7文件 MSC公司: 62J07型 岭回归;收缩估计器(拉索) 62J05型 线性回归;混合模型 62G08号 非参数回归和分位数回归 62-08 统计学相关问题的计算方法 62J12型 广义线性模型(逻辑模型) 关键词:凹凸程序;拉索组;无争议罚款;变量选择 PDF格式BibTeX公司 XML格式引用 \textit{S.Lee}等人,J.Stat.计算。模拟86,No.3,597--610(2016;Zbl 1510.62310) 全文: 内政部 参考文献: [1] 袁明,林毅。分组变量回归中的模型选择和估计。J R Stat Soc Ser B.2006年;68:49-67. doi:10.1111/j.1467-9868.2005302.x[交叉引用],[谷歌学者]·兹比尔1141.62030 [2] Tibshirani R.通过套索回归收缩和选择。J R Stat Soc Ser B.1996;第58:267-288页。[Crossref],[Google学者]·Zbl 0850.62538号 [3] Kim Y,Kim J,Kim Y.分块稀疏回归。中央统计局。2006;16:375-390. [网络科学®],[谷歌学者]·Zbl 1096.62076号 [4] 巴赫FR.拉索组的一致性和多核学习。《马赫学习研究杂志》,2008年;16:1369-1384. [谷歌学者] [5] 黄杰,张涛。群体稀疏的好处。安·统计师。2010;38:1978-2004. doi:10.1214/09-AOS778[Crossref],[Web of Science®],[Google学者]·Zbl 1202.62052号 [6] Wei F,Huang J.高维线性回归中的一致组选择。伯努利。2010;16:1369-1384. doi:10.3150/10-BEJ252[Crossref],[PubMed],[Web of Science®],[Google学者]·Zbl 1207.62146号 [7] Wang L,Chen G,Li H。微阵列时间进程基因表达数据的SCAD回归分析。生物信息学。2007;23:1486-1494. doi:10.1093/生物信息学/btm125[Crossref],[PubMed],[Web of Science®],[Google学者] [8] 黄J,魏凤,马S.半参数回归追求。中央统计局。2012;22:1403-1426. [PubMed]、[Web of Science®]、[Google学者]·Zbl 1253.62024号 [9] Huang J,Breheny P,Ma S.高维模型中群体选择的选择性综述。统计科学。2012;27:481-499. doi:10.1214/12-STS392[Crosref],[Web of Science®],[谷歌学者]·Zbl 1331.62347号 [10] Wei F,Zhu H。非凸惩罚回归的群坐标下降算法。计算统计数据分析。2012;56:316-326. doi:10.1016/j.csda.2011.08.007[Crossref],[Web of Science®],[Google学者]·Zbl 1239.62082号 [11] Friedman J,Hastie T,Tibshirani R.关于群套索和稀疏群套索的注释。arXiv预印arXiv:1001.07362010。[谷歌学者] [12] Foygel R,Drton M.线性回归的群套索和稀疏群套索中的精确分块优化。arXiv预打印arXiv:1010.3320。[谷歌学者] [13] Qin Z,Scheinberg K,Goldfarb D。群套索的高效块坐标下降算法。数学程序计算。2013;5:143-169. doi:10.1007/s12532-013-0051-x[Crossref],[Google学者]·兹比尔1275.90059 [14] Yuille AL,Rangarajan A.凹-凸过程。神经计算。2003;15:915-936. doi:10.1162/08997660360581958[Crossref],[PubMed],[Web of Science®],[Google学者]·兹比尔1022.68112 [15] Friedman J,Hastie T,Höfling H,Tibshirani R.路径坐标优化。Ann Appl统计。2007;1:302-332. doi:10.1214/07-AOAS131[Crossref],[Web of Science®],[Google学者]·Zbl 1378.90064号 [16] 傅伟杰。惩罚回归:桥梁与套索。计算图统计学杂志。1998;7:397-416. [Taylor&Francis在线]、[Web of Science®]、[谷歌学者] [17] Fan J,Li R.基于非冲突惩罚似然的变量选择及其预言性质。J Amer统计协会,2001年;96:1348-1360. doi:10.1198/016214501753382273[Taylor&Francis Online],[Web of Science®],[Google学者]·Zbl 1073.62547号 [18] Zhang C-H。极小极大凹罚下的几乎无偏变量选择。安·统计师。2010;38:894-942. doi:10.1214/09-AOS729[Crossref],[Web of Science®],[Google学者]·Zbl 1183.62120号 [19] Breheny P,Huang J.带分组预测因子的非凸惩罚线性和logistic回归模型的组下降算法。统计计算。2012;25:173-187. doi:10.1007/s1122-013-9424-2[Crossref],[Web of Science®],[Google学者]·Zbl 1331.62359号 [20] Tseng P.不可微极小化的块坐标下降方法的收敛性。最优化理论应用杂志。2001;109:475-494. doi:10.1023/A:1017501703105[Crossref],[Web of Science®],[Google学者]·Zbl 1006.65062号 [21] Kim Y,Kwon S.非凸惩罚估计的全局最优性。生物特征。2012;99:315-325. doi:10.1093/biomet/asr084[Crossref],[Web of Science®],[Google学者]·Zbl 1318.62240号 [22] Kim Y、Choi H、Oh H-S在高维上平滑地剪裁了绝对偏差。J Amer统计协会,2008年;103:1665-1673. doi:10.1198/016214500000166[Taylor&Francis Online],[Web of Science®],[Google学者]·Zbl 1286.62062号 [23] Lee S,Kim Y,Kwon S.参数发散的非凸惩罚估计的二次逼近。统计Probab Lett。2012;82:1710-1717. doi:10.1016/j.spl.2012.05.012[Crossref],[Web of Science®],[Google学者]·Zbl 1334.62129号 [24] Collbert R,Sinz F,Weston J,Bottou L.大型转导SVM。J Mach Learn Res.2006;7:1687-1712. [网络科学®],[谷歌学者]·Zbl 1222.68173号 [25] Shen X、Tseng GC、Zhang X、Wong WH。关于ψ-学习。J Amer统计协会,2003年;98:724-734. doi:10.1198/0162145000000639[Taylor&Francis Online],[Web of Science®],[Google学者]·Zbl 1052.62095号 [26] McCullagh P,日本内尔德。广义线性模型。纽约:查普曼和霍尔/CRC;1989.【Crossref】,【谷歌学者】·兹比尔074462098 [27] Lee S,Kwon S,Kim Y.##img###img####img的改进局部二次近似算法##ℓ1-惩罚凸优化。2014年,即将推出。[谷歌学者] [28] Breiman L,Friedman J.估计多元回归和相关性的最佳转换。J Amer统计协会,1985年;80:580-598. doi:10.1080/01621459.1985.10478157[Taylor&Francis Online],[Web of Science®],[Google学者]·兹比尔0594.62044 [29] Hastie TJ,Tibshirani R.广义加性模型。佛罗里达州博卡拉顿:查普曼和霍尔/CRC;1990.[谷歌学者]·Zbl 0747.62061号 [30] Lin Y、Zhang HH。多元非参数回归中的成分选择与平滑。安·统计师。2006;34:2272-2297. doi:10.1214/00905360000000722[Crossref],[Web of Science®],[Google学者]·Zbl 1106.62041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。