×
杨素鹏；武史·鸸鹋

一种用于高维回归和测试的带有广义岭估计的贝叶斯方法。 （英语） Zbl 1388.62214号

Commun公司。统计、仿真计算。 46，第8号，6083-6105（2017）.
摘要：本文采用贝叶斯策略对高维回归进行广义岭估计。我们还考虑了基于所提出估计量的显著性检验，这对于选择回归变量很有用。理论和仿真研究都表明，所提出的估计量在均方误差（MSE）准则方面可以同时优于普通岭估计量和LSE。仿真研究还证明了我们的方案在稀疏模型下与Lasso的竞争MSE性能。我们使用涉及高维微阵列的肺癌数据演示了该方法。

引用于4文件

MSC公司：

62J07型 岭回归；收缩估计器（拉索）
2015年1月62日 贝叶斯推断
62C05型 统计决策理论的一般考虑

关键词：

贝叶斯估计量；复合协变量估计；线性模型；均方误差；收缩估计器；统计决策理论

软件：

化合物。考克斯；格尔姆奈特
PDF格式BibTeX公司 XML格式引用
\textit{S.-P.Yang}和\textit{T.Emura}，Commun。统计、仿真计算。46，编号8，6083-6105（2017；兹bl 1388.62214）
全文： 内政部

参考文献：

[1] Allen，D.M.（1974）。变量选择和数据增强之间的关系以及预测方法。技术计量16:125-127·Zbl 0286.62044号
[2] Araki，Y.，Hattori，S.（2013年）。通过信息准则有效地选择正则化参数。统计通信-模拟和计算42（2）：280-293·Zbl 1327.62417号
[3] Beer，D.G.、Kardia，S.L.R.、Huang，C.C.、Giordano，T.J.、Levin，A.M.等人（2002年）。基因表达谱预测肺腺癌患者的生存率。《自然医学》8:816-824。
[4] Bühlmann，P.（2013）。高维线性模型的统计显著性。伯努利19:1212-1242·Zbl 1273.62173号
[5] Candes，E.，Tao，T.（2007年）。Dantzig选择器：当p远大于n时的统计估计。统计年鉴35:2313-2351·Zbl 1139.62019号
[6] Chen，A.C.，Emura，T.（2016）。混合实验下带截距项的改进Liu型估计量。统计学中的传播——理论与方法。内政部：10.1080/03610926.2015.1132327·Zbl 1391.62138号
[7] Chen，H.Y.、Yu，S.L.、Chen，C.H.、Chang，G.C.、Chen、C.Y.等人（2007年）。非小细胞肺癌的五基因特征和临床结果。《新英格兰医学杂志》356:11-20。
[8] Cule，E.，De Iorio，M.（2013）。预测问题中的岭回归：岭参数的自动选择。遗传流行病学37:704-714。
[9] Cule，E.，Vineis，P.，De Iorio，M.（2011年）。遗传数据岭回归的显著性检验。BMC生物信息学12:372。
[10] Dicker，A.P.，Rodeck，U.（2005年）。从过去的试验预测未来：表皮生长因子受体的表达和分次放射治疗试验的结果。临床肿瘤学杂志23:5437-5439。
[11] Emura，T.，Chen，Y.H.（2016）。依赖性审查下生存数据的基因选择：一种基于交配的方法。医学研究中的统计方法25（6）：2840-2857。
[12] Emura，T.、Chen，H.Y.、Chen、Y.H.（2017a）。R化合物。Cox：Cox比例风险模型3.1版CRAN下基于复合协变量方法的估计、基因选择和生存预测。
[13] Emura，T.，Chen，Y.H.，Chen，H.Y.（2012）。Cox比例风险模型下基于复合协变量的生存预测。公共科学图书馆·综合7:e47627。
[14] Emura，T.、Nakatochi，M.、Matsui，S.、Michimae，H.、Rondeau，V.（2017b）。根据肿瘤进展和高维遗传因素对死亡进行个性化动态预测：联合模型的荟萃分析，医学研究中的统计方法。内政部：10.1177/0962280216688032。
[15] Fan，J.，Li，R.（2001）。通过非冲突惩罚似然及其oracle属性进行变量选择。美国统计协会杂志96:1348-1360·Zbl 1073.62547号
[16] Fan，J.、Lv，J.（2008）。确保超高维特征空间的独立筛选。（经过讨论）。英国皇家统计学会杂志B 70:849-911·Zbl 1411.62187号
[17] Fan，T.H.（2001）。单因素二次响应模型中最优解的非信息贝叶斯估计。试验10（2）：225-240·Zbl 1014.62032号
[18] Friedman，J.、Hastie，T.、Simon，N.、Tibshirani，R.（2015）。Glmnet:Lasso和Elastic-Net正则化广义线性模型，2.0-2版。起重机。
[19] Golub，G.H.、Heath，M.、Wahba，G.（1979年）。广义交叉验证是一种选择良好脊线参数的方法。技术计量学21:215-223·Zbl 0461.62059号
[20] Hansen，B.E.（2016）。James-Stein和Lasso收缩的风险。计量经济学评论35（8-10）：1456-1470·Zbl 1491.62067号
[21] Hastie，T.、Tibshirani，R.、Friedman，J.（2009）。统计学习的要素。纽约：Springer-Verlag·Zbl 1273.62005年
[22] Hoerl，A.E.，Kennard，R.W.（1970年）。岭回归：非正交问题的有偏估计。技术指标12:55-67·Zbl 0202.17205号
[23] Jang，D.-H.，Anderson-Cook，C.M.（2015）。混合和混合过程实验中评估岭回归估计量的可视化方法。国际质量与可靠性工程31（8）：1483-1494。
[24] Jenssen，T.K.，Kuo，W.P.，Stokke，T.，Hovig，E.（2002年）。乳腺癌基因表达与患者生存率的关系。人类遗传学111:411-420。
[25] Jimichi，M.（2008）。可行广义岭回归估计的精确矩和数值计算。日本计算统计学会杂志21:1-20·兹比尔1261.62066
[26] Kibria，B.M.G.，Banik，S.（2016）。几种岭回归估计及其性能。现代应用统计方法杂志15（1）：206-238。
[27] Kim，S.-Y.，Lee，J.-W.（2007）。基于基因表达数据重采样相似性度量的集成聚类方法。医学研究中的统计方法16:539-564。
[28] Loesgen，K.-H.（1990年）。具有良好先验均值的脊型估计的推广和贝叶斯解释。统计论文31:147-154·Zbl 0709.62057号
[29] Mallows，C.L.（1973）。关于Cp.Technometrics 15:661-675的一些评论·Zbl 0269.62061号
[30] 松井，S.（2006）。在使用微阵列的预后标记研究中使用重要基因子集预测生存结果。BMC生物信息学7:156。
[31] Theobald，C.M.（1974）。均方误差的推广应用于岭回归。英国皇家统计学会学报B 36:103-106·兹比尔0282.62055
[32] Tibshirani，R.（1996）。通过套索回归收缩和选择。英国皇家统计学会杂志B 58:267-288·Zbl 0850.62538号
[33] Trenkler，G.（1985）。线性回归中估计量的均方误差矩阵比较。统计通讯A 14:2495-2509·Zbl 0594.62075号
[34] Trenkler，G.，Tourenburg，H.（1990年）。有偏估计量之间的均方误差矩阵比较——最新结果概述。统计论文31:165-179·Zbl 0703.62066号
[35] Wain，J.M.、Bruford，E.A.、Lovering，R.C.等人（2002年）。人类基因命名指南。基因组学79:464-470。
[36] Whittaker，J.C.、Thompson，R.、Denham，M.C.（2000）。使用岭回归的标记辅助选择。遗传学研究75:249-252。
[37] Wong，K.Y.，Chiu，S.N.（2015）。岭回归中最小化均方误差的迭代方法。计算统计学30（2）：625-639·Zbl 1317.65047号
[38] Yang，S.P.（2014）。高维线性回归的一类广义岭估计。中央大学电子论文。台湾，1-41。
[39] Zhang，C.H.、Zhang和S.S.（2014）。高维线性模型中低维参数的置信区间。英国皇家统计学会杂志B 76（1）：217-242·Zbl 1411.62196号
[40] Zhao，X.、Rödland，E.A.、Sörlie，T.等人（2011年）。结合基因特征可以提高乳腺癌生存率的预测。公共科学图书馆ONE 6:e17845。
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。