贾斯迪普·潘努;内德雷特·比洛尔 函数回归模型的鲁棒群L asso。 (英语) Zbl 1422.62260号 Commun公司。统计、仿真计算。 46,第5期,3356-3374(2017). 摘要:在本文中,我们考虑了在存在离群值的情况下,在具有标量响应和函数预测因子的函数线性回归模型中使用(L1)正则化选择函数变量的问题。由于LASSO是带有L1惩罚函数的惩罚最小二乘回归的一个特例,因此它在数据中存在严重的错误和/或离群值。最近,最小绝对偏差(LAD)和LASSO方法(LAD-LASSO回归方法)结合起来,对多元线性回归模型同时进行稳健的参数估计和变量选择。然而,基于LASSO的函数预测变量选择失败,因为函数预测存在多个参数。因此,LASSO组用于选择功能预测因子,因为LASSO组合选择分组变量而非单个变量。在本研究中,我们针对具有标量响应和函数预测因子的函数线性回归模型,提出了一种稳健的函数预测因子选择方法LAD-group LASSO。我们在模拟数据和实际数据上演示了LAD组LASSO的性能。 引用于6文件 MSC公司: 62J12型 广义线性模型(逻辑模型) 关键词:函数回归模型;LAD-LASSO机场;拉索;离群值;变量选择 软件:对;quantreg公司;格普拉索 PDF格式BibTeX公司 XML格式引用 \textit{J.Pannu}和\textit{N.Billor},Commun。统计、仿真计算。46,编号5,3356-3374(2017;兹bl 1422.62260) 全文: DOI程序 参考文献: [1] 巴厘岛J.L.,2011年,39页,第2852页- [2] Boente G.,1999年8月,第28页– [3] 内政部:10.1080/03610918.2013.861628·Zbl 1341.62238号 ·doi:10.1080/036109182013.861628 [4] Escabias M.,2004年16(3)pp 365– [5] Fraiman R.,2001年10月,第419页– [6] Gerthiss J.,2013年2,第86页- [7] Gervini D.,2008年95页,第587页- [8] Goldsmith J.,2011年,20页,830- [9] Koenker R.,2013年 [10] Koenker R.,2014年60页,第1页– [11] Lian H.,2013年,23页,第51页- [12] Lilly K.,2013年,第3334页– [13] 松井H.,2011年,55页,第3304页- [14] Meier L.,2013年 [15] Meier L.,2009年,第37页,第3779页- [16] Ogden R.T.,2010年66页,第61页– [17] Ramsay J.O.,2005年 [18] Sawant P.,2012年27(1),第83页- [19] Tutz G.,2010年,19页,第154页 [20] 朱华,2009年57页,第173页- 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。