摘要
我们提出了一种新的变量选择和估计的惩罚方法,该方法明确地结合了预测因子之间的相关模式。该方法基于极小极大凹罚函数和与图相关的拉普拉斯二次函数作为罚函数的组合。我们称之为稀疏拉普拉斯收缩(SLS)方法。SLS使用最小最大凹惩罚来鼓励稀疏性,使用拉普拉斯二次惩罚来促进与相关预测因子相关的系数之间的平滑性。SLS对于拉普拉斯二次型表示的图具有广义分组性质。我们证明了SLS具有预言性质,即它是选择一致的,并且等于具有高概率的预言拉普拉斯收缩估计。该结果适用于稀疏、高维设置第页≫n个在合理的条件下。我们推导了计算SLS估计的坐标下降算法。对SLS方法的性能进行了仿真研究,并以实际数据为例说明了其应用。
引用
下载引文
黄健。
马双阁。
李洪志。
张存辉。
“高维回归的稀疏拉普拉斯收缩估计。”
安。统计师。
39
(4)
2021 - 2046,
2011年8月。
https://doi.org/10.1214/11-AOS897
问询处
发布日期:2011年8月
欧几里得项目首次提供:2011年8月24日
数字对象标识符:10.1214/11-AOS897
学科:
主要用户:62J05型,62J07型
次要:2012年1月60日,62H20个
关键词:图形结构,高维数据,极小极大凹罚,oracle属性,惩罚回归,变量选择
权利:版权所有©2011数学统计研究所