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。