×
曼纽尔·费布雷罗·班德;文塞斯劳González-Manteiga;曼纽尔·奥维耶多·德拉富恩特

函数加性回归模型中的变量选择。 （英文） Zbl 1417.62077号

计算。斯达。 34，第2期，469-487（2019）.
摘要：本文考虑了函数变量可能与其他类型的变量（标量、多元、方向等）混合的情况下回归模型中的变量选择问题。我们的建议从一个简单的空模型开始，然后根据使用由G.J.塞凯利等【Ann.Stat.35，No.6，2769–2794（2007；Zbl 1129.62059号)]. 为了简单起见，本文只使用了可加模型。然而，所提出的算法可以评估每个变量的贡献类型（线性、非线性、（ldots））。该算法应用于仿真和实际数据集时显示出了非常有前景的结果。

引用于6文件

MSC公司：

62G08号 非参数回归和分位数回归
6220国集团 非参数推理的渐近性质
62-08 统计问题的计算方法

关键词：

变量选择;函数回归加性模型;能源生产

引文：

Zbl 1129.62059号

软件：

能量;美国食品和药物管理局
PDF格式BibTeX公司 XML格式引用
\textit｛M.Febrero Bande｝等人，计算。Stat.34，No.2，469--487（2019；Zbl 1417.62077）
全文： 内政部 arXiv公司 链接

参考文献：

[1] Akaike H（1973）高斯自回归移动平均模型的最大似然识别。生物特征60（2）：255-265·Zbl 0318.62075号 ·doi:10.1093/biomet/60.2.255
[2] Bühlmann P，Yu B（2003年）\[{五十} _2\]L2损失：回归和分类。美国统计协会杂志98（462）：324-339·Zbl 1041.62029号 ·doi:10.1198/0162145003000125
[3] Du P，Cheng G，Liang H（2012）具有可加非参数分量和高维参数分量的半参数回归模型。计算统计数据分析56（6）：2006-2017·Zbl 1243.62053号 ·doi:10.1016/j.csda.2011.12.007
[4] Efron B，Hastie T，Johnstone I，Tibshirani R（2002）最小角度回归。统计部技术报告·Zbl 1091.62054号
[5] Fan J，Li R（2001）基于非冲突惩罚似然的变量选择及其预言性质。美国统计协会J Am Stat Assoc 96（456）：1348-1360·Zbl 1073.62547号 ·doi:10.1198/016214501753382273
[6] Febrero-Bande M，González-Manteiga W（2013），功能数据的广义加性模型。试验22（2）：278-292·Zbl 1367.62116号 ·doi:10.1007/s11749-012-0308-0
[7] Febrero-Bande M，Oviedo de la Fuente M（2012），功能数据分析中的统计计算：R包fda.usc。J Stat Softw杂志51（4）：1-28
[8] Ferraty F，Vieu P（2009），功能数据的加性预测和增强。计算统计数据分析53（4）：1400-1413·Zbl 1452.62989号 ·doi:10.1016/j.csda.2008.11.023
[9] Hastie T，Tibshirani R（1987）广义可加模型：一些应用。美国统计协会杂志82（398）：371-386·Zbl 0633.62067号 ·doi:10.1080/01621459.1987.10478440
[10] Hastie T、Tibshirani R、Wainwright M（2015）《稀疏性统计学习：LASSO和推广》。博卡拉顿CRC出版社·Zbl 1319.68003号 ·doi:10.1201/b18401
[11] Lin Y，Zhang HH（2006）方差模型平滑样条分析中的分量选择与平滑。Ann Stat 34（5）：2272-2297·Zbl 1106.62041号 ·doi:10.1214/0090536000000722
[12] Liu X，Wang L，Liang H（2011）半参数加性偏线性模型的估计和变量选择。统计Sin 21（3）：1225-1248·Zbl 1223.62020年 ·doi:10.5705/s.2009.140
[13] Lyons R（2013）度量空间中的距离协方差。安·普罗巴布41（5）：3284-3305·Zbl 1292.62087号 ·doi:10.1214/12-AOP803
[14] Mallows CL（1973）关于Cp.Technometrics的一些评论15（4）：661-675·Zbl 0269.62061号
[15] Müller H-G，Yao F（2008）功能加性模型。美国统计协会期刊103（484）：1534-1544·Zbl 1286.62040号 ·doi:10.1198/0162145000000751
[16] 彭浩，龙凤，丁C（2005）基于最大依赖、最大相关和最小冗余的互信息准则的特征选择。IEEE Trans-Pattern Ana Mach Intell 27（8）：1226-1238·doi:10.1109/TPAMI.2005.159
[17] Radchenko P，James GM（2011），通过前向LASSO自适应收缩改进变量选择。应用统计年鉴5（1）：427-448·Zbl 1220.62089号 ·doi:10.1214/10-AOAS375
[18] Rizzo ML，Székely GJ（2014）《能源：电子统计》。R包版本1.6.2
[19] Schwarz G（1978）估计模型的维数。Ann Stat 6（2）：461-464·Zbl 0379.62005年 ·doi:10.1214/aos/1176344136
[20] Stone M（1979）关于Akaike和Schwarz模型选择标准的评论。J R Stat Soc B方法41（2）：276-278
[21] Székely GJ，Rizzo ML（2013）高维独立性的距离相关t检验。多变量分析杂志117:193-213·Zbl 1277.62128号 ·doi:10.1016/j.jmva.2013.02.012
[22] Székely GJ，Rizzo ML（2014），部分距离相关性与差异性方法。Ann Stat 42（6）：2382-2412·Zbl 1309.62105号 ·doi:10.1214/14-AOS1255
[23] Székely GJ，Rizzo ML（2017）《数据的能量》。年度收入统计申请4（1）：447-479·doi:10.1146/annurev-statistics-060116-054026
[24] Székely GJ，Rizzo ML，Bakirov NK（2007）通过距离相关性测量和测试相关性。安统计35（6）：2769-2794·Zbl 1129.62059号 ·doi:10.1214/09053607000000505
[25] Tibshirani R（1996）通过LASSO回归收缩和选择。J R Stat Soc B方法58（1）：267-288·Zbl 0850.62538号
[26] Wang L，Liu X，Liang H，Carroll RJ（2011）广义可加部分线性模型的估计和变量选择。Ann Stat 39（4）：1827-1851年·Zbl 1227.62053号 ·doi:10.1214/11-AOS885
[27] Wood SN（2004）广义加性模型的稳定有效的多重平滑参数估计。美国统计协会杂志99（467）：673-686·Zbl 1117.62445号 ·doi:10.1198/016214500000980
[28] Xue L（2009）可加性模型中的一致变量选择。统计Sin 19（3）：1281-1296·Zbl 1166.62024号
[29] Yenigün CD，Rizzo ML（2015）使用最大相关和距离相关的回归变量选择。J Stat Compute Simul统计模拟85（8）：1692-1705·Zbl 1457.62190号 ·doi:10.1080/00949655.2014.895354
[30] Zou H（2006）自适应LASSO及其oracle属性。美国统计协会期刊101（476）：1418-1429·Zbl 1171.62326号 ·doi:10.19198/016214506000000735
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。