×
杨毅;邹慧

基于ER-Boost的非参数多元期望回归。 （英语） Zbl 1457.62124号

J.统计计算。模拟 85，第7期，1442-1458（2015）.
总结：预期回归[W.K.纽伊和J.L.鲍威尔《计量经济学》55，819–847（1987；兹比尔062562047)]是一个很好的工具，用于估计给定一组协变量的响应变量的条件期望值。50%水平的期望回归是经典的条件平均回归。在许多实际应用中，在不同的水平上具有多个期望值，可以更完整地描述响应变量的条件分布。多元线性预期回归模型已经得到了很好的研究[Newey和Powell，loc.cit。；B.埃夫隆，统计罪。第1期，第93–125页（1991年；Zbl 0822.62054号)]，但对于许多实际应用程序来说，它可能过于严格。本文推导了非参数多元期望回归的基于回归树的梯度提升估计。新的估计器称为ER-Boost，在R包中实现erboost公司可在以下网址公开获取：http://cran.r-project.org/web/packages/erboost/index.html我们在仿真中使用了两个同方差/异方差随机函数生成器模型，以显示ER-Boost的高预测精度。作为应用程序，我们应用ER-Boost分析北卡罗来纳州的犯罪数据。通过对该数据集的非参数期望回归分析，我们得出了几个有趣的结论，这些结论与之前使用犯罪经济模型进行的研究一致。这个真实的数据示例还很好地展示了ER-Boost的一些优秀特性，例如它处理不同类型协变量的能力及其模型解释工具。

引用于13文件

MSC公司：

62G08号 非参数回归和分位数回归
62J05型 线性回归；混合模型
62-08 统计问题的计算方法

关键词：

非对称最小二乘法;预期回归;功能梯度下降;梯度增强;回归树

引文：

Zbl 0625.62047号;Zbl 0822.62054号

软件：

对;千兆字节;erboost公司;阿达·布斯特。MH公司
PDF格式BibTeX公司 XML格式引用
\textit{Y.Yang}和\textit{H.Zou}，J.Stat.Compute。模拟85，第7期，1442--1458（2015；Zbl 1457.62124）
全文： 内政部

参考文献：

[1] Koenker R.Quantile回归。计量经济学社会专著系列。纽约：剑桥大学出版社；2005.[谷歌学者]·Zbl 1111.62037号
[2] Koenker R，Bassett G.回归分位数。经济计量学。1978;46:33-50. doi:10.2307/1913643[Crossref]，[Web of Science®]，[Google学者]·Zbl 0373.62038号
[3] Newey W，Powell J.不对称最小二乘估计和检验。经济计量学。1987;55:819-847. doi:10.2307/1911031[Crossref]，[Web of Science®]，[Google学者]·Zbl 0625.62047号
[4] Koenker R.预期百分比是什么时候？经济理论。1992年；8(03):423-424. [谷歌学者]
[5] Koenker R.预期百分比是什么时候？（解决方案）。经济理论。1993;9(03):526-527. doi:10.1017/S0266466600007921[Crossref]，[Google学者]
[6] 琼斯M.期望值和M-分位数是分位数。统计概率出租。1994;20(2):149-153. doi:10.1016/0167-7152（94）90031-0[Crossref]，[Web of Science®]，[Google学者]·Zbl 0801.62012年
[7] 姚清，童宏。非对称最小二乘回归估计：非参数方法。非参数统计。1996;6(2-3):273-292. doi:10.1080/10485259608832675[Taylor&Francis在线]，[谷歌学者]·Zbl 0879.62038号
[8] Efron B.使用非对称平方误差损失回归百分位数。统计正弦。1991;1(93):125. [谷歌学者]·Zbl 0822.62054号
[9] Friedman J、Hastie T、Tibshirani R.《加性逻辑回归：促进的统计观点》（作者进行了讨论和反驳）。Ann Stat.2000；28(2):337-407. doi:10.1214/aos/1016218223[Crossref]，[Web of Science®]，[Google学者]·兹比尔1106.62323
[10] Friedman J.Greedy函数近似：一种梯度增强机器。Ann Stat.2001；29(5):1189-1232. doi:10.1214/aos/1013203451[Crossref]，[Web of Science®]，[Google学者]·Zbl 1043.62034号
[11] Freund Y，Schapire R.在线学习的决策理论推广及其在助推中的应用。计算机系统科学杂志。1997;55:119-139. doi:10.1006/jcss.1997.1504[Crossref]，[Web of Science®]，[Google学者]·Zbl 0880.68103号
[12] Freund Y，Schapire R.用一种新的助推算法进行实验。收件人：Saitta L，编辑。机器学习：第十三届国际会议论文集。意大利巴里。旧金山（CA）：Morgan Kaufmann Publishers，Inc.，第148-156页。[谷歌学者]
[13] Breiman L.Arcing分类器（作者进行了讨论和反驳）。Ann Stat.1998年；26(3):801-849. doi:10.1214/aos/1024691079[Crossref]，[Web of Science®]，[Google学者]·Zbl 0934.62064号
[14] Breiman L.预测游戏和电弧算法。神经计算。1999;11(7):1493-1517. doi:10.1162/08997669900016106[Crossref]，[PubMed]，[Web of Science®]，[Google学者]·Zbl 1508.68280号
[15] Bühlmann P，Hothorn T.Boosting算法：正则化、预测和模型拟合。统计科学。2007;22(4): 477-505. doi:10.1214/07-STS242[Crossref]，[Web of Science®]，[Google学者]·Zbl 1246.62163号
[16] Ridgeway G.广义增强回归模型。R包装手册；2007年。可从以下网站获得：http://cran.r-project.org/web/packages/gbm/gbm.pdf。[谷歌学者]
[17] Breiman L、Friedman J、Olshen R、Stone C、Steinberg D、Colla P.Cart:分类和回归树。蒙特里（加利福尼亚州）：华兹华斯。1984.[谷歌学者]·Zbl 0541.62042号
[18] 布雷曼L.随机森林。马赫学习。2001;45(1):5-32. doi:10.1023/A:1010933404324[Crossref]，[Web of Science®]，[Google学者]·Zbl 1007.68152号
[19] Kriegler B，Berk R.洛杉矶无家可归者的小面积估算：成本敏感随机梯度增强的应用。Ann Appl Stat.2010年版；4(3):1234-1255. doi:10.1214/10-AOAS328[Crossref]，[Web of Science®]，[Google学者]·Zbl 1202.62178号
[20] Cornwell C，Trumbull W。利用面板数据估算犯罪的经济模型。Rev Econ Stat.1994年；76: 360-366. doi:10.2307/2109893[Crossref]，[Web of Science®]，[Google学者]
[21] Baltagi B.使用北卡罗来纳州的面板数据估算犯罪的经济模型。应用经济学杂志。2006;21(4):543-547. doi:10.1002/jae.861[Crossref]，[Web of Science®]，[Google学者]
[22] Becker G.犯罪与惩罚：一种经济方法。政治经济学杂志。1968;76:(2):169-217. doi:10.1086/259394[Crossref]，[Web of Science®]，[Google学者]
[23] 参与非法活动：一项理论和实证调查。政治经济学杂志。1973;81:521-565. doi:10.1086/260058[Crossref]，[Web of Science®]，[Google学者]
[24] Block M，Heineke J.犯罪选择的劳动理论分析。《美国经济评论》1975；65(3): 314-325. [Web of Science®]，[Google学者]
[25] 赫希·W·法与经济学：导论分析。第二版，波士顿（MA）：学术出版社；1988.[谷歌学者]
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。