×
于登登；张，李；伊凡·米泽拉；江，贝；孔玲珑

具有多个函数预测因子的分位数回归中的稀疏小波估计。 （英语） Zbl 1507.62196号

计算。统计数据分析。 136, 12-29 (2019).
摘要：为了研究偏函数线性模型中的分位数回归，其中响应是标量的，预测因子包括标量和多个函数，通常采用小波基来更好地近似函数斜率，同时有效地检测局部特征。采用稀疏群套索惩罚来选择重要的函数预测因子，同时捕获它们之间的共享信息。该估计问题可以重新表述为一个标准的二阶锥程序，然后用内点法求解。利用最近被许多研究人员用于求解惩罚分位数回归问题的交替方向乘数法（ADMM），提出了一种新的算法。建立了收敛速度和预测误差界等渐近性质。对ADHD-200功能磁共振成像数据的仿真和实际数据进行了研究，以表明我们提出的方法的优越性。

引用于11文件

MSC公司：

62-08 统计学相关问题的计算方法
62G08号 非参数回归和分位数回归
62J07型 岭回归；收缩估计器（拉索）
6220国集团 非参数推理的渐近性质
62兰特 功能数据分析

关键词：

功能数据分析；稀疏群拉索；ADMM公司；收敛速度；预测误差界；多动症

软件：

接收cv；CRAN（起重机）；Rmosek公司；cqrReg公司
PDF格式BibTeX公司 XML格式引用
\textit{D.Yu}等人，计算。统计数据分析。136、12-29（2019年；Zbl 1507.62196）
全文： 内政部 arXiv公司

参考文献：

[1] 安东尼亚迪斯，A。；Bigot，J。；Sapatinas，T.，《非参数回归中的小波估计：比较模拟研究》，J.Stat.Softw。，6, 1-83 (2001)
[2] Aps，M.，Rmosek：R到MOSEK优化界面（2015），URLhttp://rmosek.r-forg.r-project.org/, http://www.mosek.com/。R包版本7（2）
[3] 博伊德，S。；北卡罗来纳州帕里赫。；朱，E。；佩莱托，B。；Eckstein，J.，《通过交替方向乘数法进行分布式优化和统计学习》，Found。趋势马赫数。学习。，3, 1, 1-122 (2011) ·Zbl 1229.90122号
[4] Bradic，J。；范，J。；Wang，W.，超高维变量选择的惩罚复合拟似然，J.R.Stat.Soc.Ser。B统计方法。，73, 3, 325-349 (2011) ·Zbl 1411.62181号
[5] Cai，T.T。；霍尔，P.，《函数线性回归中的预测》，《统计年鉴》。，34, 5, 2159-2179 (2006) ·Zbl 1106.62036号
[6] Cardot，H。；克兰贝斯，C。；Sarda，P.，当协变量为函数时的分位数回归，非参数。统计，17，7，841-856（2005）·Zbl 1077.62026号
[7] Cardot，H。；费拉蒂，F。；Sarda，P.，函数线性模型，统计学。普罗巴伯。莱特。，45, 1, 11-22 (1999) ·兹比尔0962.62081
[8] Cardot，H。；费拉蒂，F。；Sarda，P.，函数线性模型的样条估计，Statist。Sinica，13，3，571-592（2003）·Zbl 1050.62041号
[9] Chun，H.等人。；Keleš，S.，《同时降维和变量选择的稀疏偏最小二乘回归》，J.R.Stat.Soc.Ser。B统计方法。，72, 1, 3-25 (2010) ·Zbl 1411.62184号
[10] 科拉佐斯，J.A。；直径，R。；Zambom，A.Z.，函数回归模型的一致变量选择，J.多元分析。，146, 63-71 (2016) ·Zbl 1334.62056号
[11] Daubechies，I.，小波变换、时频定位和信号分析，IEEE Trans。通知。理论，36，5，961-1005（1990）·Zbl 0738.94004号
[12] Delaigle，A。；Hall，P.，应用于函数数据的偏最小二乘方法和理论，《统计年鉴》。，40, 1, 322-352 (2012) ·Zbl 1246.62084号
[13] 多诺霍，D.L。；Johnstone，J.M.，《小波收缩的理想空间自适应》，《生物统计学》，第81、3、425-455页（1994年）·Zbl 0815.62019号
[14] 范，J。；Lv，J.，《高维特征空间中变量选择的选择性概述》，统计。Sinica，20，1，101（2010）·Zbl 1180.62080号
[15] 加贝，D。；Mercier，B.，通过有限元近似解非线性变分问题的对偶算法，计算。数学。申请。，2，1，17-40（1976年）·Zbl 0352.65034号
[16] Gao，J.，Kong，L.，2015年。分位数、复合分位数回归和正则化版本[R包cqrReg版本1.2]。综合档案网（CRAN）。；Gao，J.，Kong，L.，2015年。分位数、复合分位数回归和正则化版本[R包cqrReg版本1.2]。综合R存档网络（CRAN）。
[17] Gerthiss，J。；Maity，A。；Staicu，A.-M.，广义函数线性模型中的变量选择，Stat，2，1，86-101（2013）
[18] Hestenes，M.R.，乘数和梯度法，J.Optim。理论应用。，4, 5, 303-320 (1969) ·Zbl 0174.20705号
[19] Kai，B。；李，R。；Zou，H.，《局部复合分位数回归平滑：局部多项式回归的一种有效且安全的替代方法》，J.R.Stat.Soc.Ser。B统计方法。，72, 1, 49-69 (2010) ·Zbl 1411.62101号
[20] Kai，B。；李，R。；Zou，H.，半参数变系数部分线性模型的新有效估计和变量选择方法，Ann.Stat.，39，1，305（2011）·Zbl 1209.62074号
[21] Kato，K.，函数线性分位数回归中的估计，Ann.Statist。，40, 6, 3108-3136 (2012) ·Zbl 1296.62104号
[22] Koenker，R.，分位数回归（2005），剑桥大学出版社·Zbl 1111.62037号
[23] Koenker，R。；Bassett，G.，回归分位数，计量经济学，46，1，33-50（1978）·Zbl 0373.62038号
[24] Koenker，R。；Park，B.J.，非线性分位数回归的内点算法，《计量经济学》，71，1，265-283（1996）·Zbl 0855.62030号
[25] Kong，L.公司。；Shu，H。；希奥·G。；He，Q.C.，二元分位数变系数模型的估计（2015），arXiv预印本arXiv:1511.02552
[26] D.孔。；薛，K。；姚，F。；Zhang，H.H.，高维部分函数线性回归，Biometrika，103，1147-159（2016）·1452.62500兹罗提
[27] Konrad，K。；艾克霍夫，S.B.，多动症大脑的连线不同吗？注意缺陷多动障碍的结构和功能连接性综述，Hum.Brain Map。，31, 6, 904-916 (2010)
[28] 李毅。；刘，Y。；Zhu，J.，再生核hilbert空间中的分位数回归，J.Amer。统计师。协会，102，477，255-268（2007）·Zbl 1284.62405号
[29] Lian，H.，多元函数回归的收缩率估计和选择，统计学。Sinica，51-74（2013）·兹比尔1257.62041
[30] Lin，C.-Y。；邦德尔，H。；Zhang，H.H。；Zou，H.，通过方差的平滑样条分析进行非参数分位数回归的变量选择，Stat，2，1，255-268（2013）
[31] Lobo，M.S。；范登伯格，L。；博伊德，S。；Lebret，H.，二阶锥规划的应用，线性代数应用。，284, 1-3, 193-228 (1998) ·Zbl 0946.90050号
[32] 卢，Y。；杜，J。；Sun，Z.，函数部分线性分位数回归模型，Metrika，77，2，317-332（2014）·Zbl 1304.62058号
[33] 罗，R。；齐，X.，具有多个预测曲线的稀疏小波回归，J.Multi-variate Anal。，134, 33-49 (2015) ·Zbl 1305.62244号
[34] Mallat，S.，《信号处理的小波之旅》，第三版：稀疏方法（2008），学术出版社
[35] Max，J.E。；马内斯，F.F。；Robertson，B.A。；马修斯，K。；福克斯，P.T。；Lancaster，J.，《前额叶和执行注意力网络损伤与注意力缺陷/多动症状学的发展》，美国科学院学报。儿童Adolesc。精神病学，44，5，443-450（2005）
[36] Meinshausen，北卡罗来纳州。；Bühlmann，P.，稳定性选择，J.R.Stat.Soc.Ser。B统计方法。，72, 4 (2010) ·Zbl 1411.62142号
[37] Mennes，M。；Biswal，B.B。；卡斯特拉诺斯，F.X。；Milham，M.P.，《使数据共享发挥作用：fcp/indi经验》，《神经影像》，第82期，第683-691页（2013年）
[38] Morris，J.S.，《函数回归》，年。修订状态申请。，2 (2015)
[39] 穆勒，H.-G。；Yao，F.，功能加性模型，J.Amer。统计师。协会，1034841534-1544（2008）·Zbl 1286.62040号
[40] Ramsay，J.O.，《功能数据分析》（2006），威利在线图书馆
[41] 莱斯，P.T。；霍，L。；Zhao，Y。；凯利，C。；Ogden，R.T.，《精神病神经成像中的小波域回归和预测推断》，《应用年鉴》。《法律总汇》，9，21076（2015）·Zbl 1454.62386号
[42] Schrimsher，G.W。；Billingsley，R.L。；E.F.杰克逊。；Moore，B.D.，尾核体积不对称预测儿童注意缺陷多动障碍（adhd）症状学，儿童神经病学杂志。，17, 12, 877-884 (2002)
[43] Sidlauskaite，J。；Caeynberghs，K。；Sonuga-Barke，E。；Roeyers，H。；Wiersema，J.R.，《成人注意缺陷/多动障碍的全脑结构拓扑：保留的全球干扰局部网络组织》，神经影像临床。，9, 506-512 (2015)
[44] 西蒙，N。；弗里德曼，J。；哈斯蒂，T。；Tibshirani，R.，《稀疏群套索》，J.Compute。图表。统计人员。，22, 2, 231-245 (2013)
[45] Sun，Y.，部分线性分位数回归模型的半参数有效估计，Ann.Econ。财务。，6, 1, 105 (2005)
[46] 唐奇。；Cheng，L.，部分函数线性分位数回归，科学。中国数学。，57, 12, 2589-2608 (2014) ·Zbl 1308.62086号
[47] 托马西，D。；Volkow，N.D.，注意力缺陷/多动障碍儿童的异常功能连接，生物。精神病学，71，5，443-450（2012）
[48] 北卡罗来纳州佐里奥·马泽尔。；兰多，B。；Papathanassiou，D。；克里维略，F。；O.Etard。；Delcroix，N。；马佐耶，B。；Joliot，M.，使用MNI MRI单受试者大脑的宏观解剖分割对spm激活的自动解剖标记，神经影像，15，1，273-289（2002）
[49] Wang，J.-L。；Chiou，J.-M。；Müller，H.-G.，《功能数据分析评论》，年。修订状态申请。，1, 41 (2015)
[50] 王，X。；Nan，B。；朱，J。；Koepe，R.，通过Haar小波对大脑图像数据进行正则化三维函数回归，Ann.Appl。统计，8，2，1045（2014）·Zbl 1454.62415号
[51] Wu，Y。；Liu，Y.，分位数回归中的变量选择，统计学。Sinica，19，2，801（2009）·兹比尔1166.62012
[52] 姚，F。；Sue-Chee，S。；Wang，F.，正则部分函数分位数回归，J.多元分析。，156, 39-56 (2017) ·Zbl 1369.62083号
[53] Yu，D。；Kong，L.公司。；Mizera，I.，神经成像数据分析的部分函数线性分位数回归，神经计算，195，74-87（2016）
[54] Zhang，Y。；李，R。；Tsai，C.-L.通过广义信息准则选择正则化参数，J.Amer。统计师。协会，105，489，312-323（2010）·Zbl 1397.62262号
[55] Zhao，Y。；陈，H。；Ogden，R.，《函数线性回归中基于小波的加权套索和筛选方法》，J.Compute。图表。统计人员。，24, 3, 655-675 (2015)
[56] Zhao，Y。；奥格登，R。；Reiss，P.T.，函数线性回归中基于小波的套索，J.Compute。图表。统计人员。，21, 3, 600-617 (2012)
[57] 赵伟。；张，R。；Liu，J.，基于分位数层次套索的稀疏组变量选择，J.Appl。统计，41，8，1658-1677（2014）·Zbl 1514.62979号
[58] 郑琦。；彭，L。；He，X.，超高维数据的全球自适应分位数回归，Ann.Statist。，43, 5, 2225 (2015) ·Zbl 1327.62424号
[59] 邹，H。；Hastie，T.，通过弹性网的正则化和变量选择，J.R.Stat.Soc.Seri。B统计方法。，6701-320（2005年）·Zbl 1069.62054号
[60] 邹，H。；袁，M.，复合分位数回归与预言模型选择理论，Ann.Statist。，36, 3, 1108-1126 (2008) ·Zbl 1360.62394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。