×
Lee、Seokho；Kim，Seonhwa先生

稀疏回归中的边缘化拉索。 （英语） Zbl 1428.62333号

J.韩国统计学会。 48，第3号，396-411（2019）.
小结：我们提出了边缘化Lasso，一种用于回归问题中变量选择的新的非凸惩罚方法。边缘化的拉索罚点将原始拉索罚分中的罚分参数与伽马先验分布相结合。本研究提供了边缘化拉索参数估计的阈值规则和基于拉索的迭代算法。我们还提供了一个坐标下降算法来有效地优化边缘化的拉索惩罚回归。提供了数值比较研究，以证明其相对于现有稀疏诱导惩罚的竞争力，并为调整参数选择提供了一些指导。

MSC公司：

62J07型 岭回归；收缩估计器（拉索）
10层62层 点估计

关键词：

边缘化的拉索；惩罚回归；稀疏估计；阈值规则；变量选择

软件：

鲁棒基地；稀疏的
PDF格式BibTeX公司 XML格式引用
\textit{S.Lee}和\textit{S.Kim}，J.Korean Stat.Soc.48，No.3，396--411（2019；Zbl 1428.62333）
全文： 内政部

参考文献：

[1] Breheny，P。；Huang，J.，非凸惩罚回归的坐标下降算法，及其在生物特征选择中的应用，应用统计年鉴，5232-253（2011）·Zbl 1220.62095号
[2] W.邦廷。；魏根德，A.，贝叶斯反向传播，复杂系统，5603-643（1991）·Zbl 0761.62031号
[3] 考利，G.C。；Talbot，N.L.C.，使用稀疏逻辑回归和贝叶斯正则化进行癌症分类中的基因选择，生物信息学，222348-2355（2006）
[4] 范，J。；Li，R.，《基于非一致惩罚似然的变量选择及其预言性质》，美国统计协会杂志，961348-1360（2001）·Zbl 1073.62547号
[5] I·弗兰克。；Friedman，J.，一些化学计量学回归工具的统计观点，技术计量学，35，109-135（1993）·Zbl 0775.62288号
[6] Friedman，J.，《快速稀疏回归和分类》（2008），斯坦福大学统计系，技术报告
[7] 弗里德曼，J。；哈斯蒂，T。；Hoefling，H。；Tibshirani，R.，路径坐标优化，应用统计年鉴，1，302-332（2007）·Zbl 1378.90064号
[8] 哈斯蒂，T。；Tibshirani，R。；Friedman，J.，《统计学习的要素》（2009），Springer-Verlag:Springer-Verlag纽约·Zbl 1273.62005年
[9] Kim，J。；Lee，S.，稳健套索回归中惩罚参数选择的一种简便方法，统计应用与方法通讯，24，651-662（2017）
[10] Lee，S。；Shin，H.等人。；Lee，S.H.，功能数据分类的标签抗噪逻辑回归及其在阿尔茨海默病研究中的应用，生物计量学，721325-1335（2016）·兹比尔139062279
[11] Maronna，R.A。；马丁·R·D。；尤海，V.J.，《稳健统计：理论和方法》（2006），约翰·威利父子公司：约翰·威利和儿子公司纽约·邮编1094.62040
[12] Mazumder，R。；弗里德曼，J。；Hastie，T.，《SparseNet:协调下降与非凸处罚》，《美国统计协会杂志》，1061125-1138（2011）·Zbl 1229.62091号
[13] Stamey，T。；Kablin，J。；麦克尼尔，J。；约翰斯顿，I。；弗雷哈，F。；Redwine，E.，前列腺特异性抗原在前列腺癌诊断和治疗中的应用，泌尿外科杂志，16，1076-1083（1989）
[14] Tibshirani，R.J.，《通过套索进行回归收缩和选择》，《皇家统计学会杂志》。B系列，58267-288（1996）·Zbl 0850.62538号
[15] Zhang，C.H.，最小最大凹惩罚下的几乎无偏变量选择，《统计年鉴》，38894-942（2010）·Zbl 1183.62120号
[16] Zou，H.，自适应套索及其预言属性，美国统计协会杂志，1011418-1429（2006）·Zbl 1171.62326号
[17] 邹，H。；Hastie，T.，《通过弹性网的正则化和变量选择》，《皇家统计学会杂志》。B系列：统计方法，67，301-320（2005）·Zbl 1069.62054号
[18] 邹，H。；Li，R.，非冲突惩罚似然模型中的一步稀疏估计，《统计年鉴》，361509-1533（2008）·Zbl 1142.62027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。