×
丁贤文；陈建东；陈雪萍

具有不可忽略缺失响应的超高维数据的正则分位数回归。 （英语） Zbl 1442.62082号

梅特里卡 83，第5号，545-568（2020）.
作者考虑了分位数回归；i=1，\ldots，n，\）其中\（x_i=（1，x_{i1}，x__i2}，\ldots，x_\ip_n}）^T\）是协变量向量，\（Y_i）是响应，\（β（τ）=（β_0（τ带有第（0）个分位数的随机误差变量。这里的数据应该是超高维的，缺少响应，并寻找（β）的正则化估计。
倾向得分由半参数指数倾斜模型指定。Pearson Chi-square型检验统计量用于识别稀疏倾向得分模型中的重要特征，调整后的经验似然法用于估计简化模型中的参数。利用估计的倾向得分模型，作者提出了一个反概率加权惩罚目标函数，用于具有非凸SCAD惩罚和MCP函数的正则化估计。假设倾向得分模型是低维的，估计了所提出的正则化估计量的预言性质。
通过仿真研究和实际数据分析，检验了所提出方法的有限样本性能。
审核人：帕维尔·斯托诺夫（索非亚）

引用于1文件

MSC公司：

62G08号 非参数回归和分位数回归
62D10号 缺少数据
62号05 可靠性和寿命测试
62页第10页 统计学在生物学和医学中的应用；元分析

关键词：

分位数回归；正则化估计；不是随机失踪；逆概率加权；皮尔逊缺口试验

软件：

QICD公司
PDF格式BibTeX公司 XML格式引用
\textit{X.Ding}等人，Metrika 83，No.5，545--568（2020；Zbl 1442.62082）
全文： 内政部

参考文献：

[1] 安，LTH；Tao，PD，The DC（凸函数的差异）编程和DCA用真实世界非凸优化问题的DC模型重访，Ann Oper Res，133，23-46（2005）·Zbl 1116.90122号 ·doi:10.1007/s10479-004-5022-1
[2] 贝洛尼，A。；Chernozhukov，V.，高维稀疏模型中的L1-优化分位数回归，Ann Stat，39，82-130（2011）·Zbl 1209.62064号 ·doi:10.1214/10-AOS827
[3] Chang，T。；Kott，PS，使用校准权重调整似是而非模型下的无响应，Biometrika，95，555-571（2008）·Zbl 1437.62411号 ·doi:10.1093/biomet/asn022
[4] 陈，J。；瓦利亚斯，AM；Abraham，B.，《经调整的经验似然及其性质》，J Comput Gr Stat，17，426-443（2008）·doi:10.1198/106186008X321068
[5] 丁，X。；Tang，N.，具有不可忽视缺失数据的分布函数和分位数的调整经验似然估计，《系统科学综合体杂志》，31，820-840（2018）·Zbl 1401.93192号 ·doi:10.1007/s11424-018-6334-6
[6] 范，J。；Li，R.，《基于非一致惩罚似然的变量选择及其预言属性》，美国统计协会，96，1348-1360（2001）·Zbl 1073.62547号 ·doi:10.1198/016214501753382273
[7] 范，J。；范，Y。；Barut，E.，自适应稳健变量选择，Ann Stat，42，324-351（2014）·Zbl 1296.62144号 ·数字对象标识代码：10.1214/13-AOS1191
[8] 范，J。；李，Q。；Wang，Y.，在缺乏对称性和轻尾假设的情况下估计高维平均回归，J R Stat Soc Ser B，79，247-265（2017）·Zbl 1414.62178号 ·doi:10.1111/rssb.12166
[9] 方，F。；赵，J。；Shao，J.，具有不可忽略缺失协变量值的广义线性模型中基于插补的调整得分方程，Stat Sin，281677-1701（2018）·Zbl 1406.62080号
[10] 顾毅。；范，J。；Kong，L。；马，S。；Zou，H.，ADMM用于高维稀疏惩罚分位数回归，Technometrics，60，319-331（2018）·doi:10.1080/00401706.2017.1345703
[11] 何，X。；Wang，L。；Hong，HG，高维异质数据的分位数自适应无模型变量筛选，Ann Stat，41，342-369（2013）·Zbl 1295.62053号 ·doi:10.1214/13-AOS1087
[12] Z.Hong。；胡，Y。；Lian，H.，通过非冲突惩罚为高维变系数部分线性模型选择变量，Metrika，76，887-908（2013）·Zbl 06224852号 ·doi:10.1007/s00184-012-0422-8
[13] Huang，J。；马，S。；Zhang，C.，稀疏高维回归的自适应套索，Stat Sin，18，1603-1618（2008）·Zbl 1255.62198号
[14] 黄，D。；李，R。；Wang，H.，超高维分类数据的特征筛选及其应用，J Bus Econ Stat，32，237-244（2014）·doi:10.1080/07350015.2013.863158
[15] 江，D。；赵，P。；Tang，N.，具有不可忽视缺失协变量的回归模型的倾向得分调整方法，计算统计数据分析，9498-119（2016）·Zbl 1468.62091号 ·doi:10.1016/j.csda.2015.07.017
[16] 金，JK；Yu，CL，具有不可忽略缺失数据的平均泛函的半参数估计，美国统计协会，106157-165（2011）·Zbl 1396.62032号 ·doi:10.1198/jasa.2011.tm10104
[17] Kim，Y。；Choi，H。；哦，HS，高维平滑剪裁绝对偏差，J Am Stat Assoc，103，1665-1673（2008）·Zbl 1286.62062号 ·doi:10.1198/01621450080001066
[18] 赖，P。；刘，Y。；刘，Z。；Wan，Y.，随机缺失响应的超高维数据无模型特征筛选，《计算统计数据分析》，105，201-216（2017）·Zbl 1466.62125号 ·doi:10.1016/j.csda.2016.08.008
[19] 李，ER；Noh，H。；Park，BU，通过分位数回归模型的贝叶斯信息标准进行模型选择，美国国家统计协会，109216-229（2014）·Zbl 1367.62122号 ·doi:10.1080/01621459.2013.836975
[20] Ni，L。；Fang，F.，超高维多类分类的基于熵的无模型特征筛选，《非参数统计杂志》，28，515-530（2016）·Zbl 1349.62279号 ·doi:10.1080/10485252.2016.1167206
[21] Ni，L。；方，F。；Wan，F.，调整后的Pearson Chi-square特征筛选，用于超高维数据的多分类，Metrika，80805-828（2017）·Zbl 1390.62113号 ·doi:10.1007/s00184-017-0629-9
[22] Owen，AB，经验似然（2001），博卡拉顿：CRC出版社，博卡拉顿·Zbl 0989.62019
[23] 彭，B。；Wang，L.，高维非凸惩罚分位数回归的迭代坐标下降算法，J Comput Gr Stat，24，676-694（2015）·doi:10.1080/10618600.2014.913516
[24] 秦，J。；Leung，D。；Shao，J.，在不可忽视的无应答或信息抽样下对调查数据的估计，美国国家统计协会，97193-200（2002）·Zbl 1073.62513号 ·doi:10.1198/016214502753479338
[25] 罗森瓦尔德，A。；赖特，G。；Chan，WC；康纳斯（JM Connors）；坎波，E。；Fisher，RI，《利用分子分析预测弥漫性大B细胞淋巴瘤化疗后的生存率》，《英国医学杂志》，3461937-1947（2002）·doi:10.1056/NEJMoa012914
[26] 邵，J。；Wang，L.，不可忽视缺失数据的半参数逆倾向加权，Biometrika，103，175-187（2016）·Zbl 1452.62294号 ·doi:10.1093/biomet/asv071
[27] Sherwood，B.，缺失协变量的加性部分线性分位数回归的变量选择，《多元分析杂志》，152206-223（2016）·Zbl 1348.62148号 ·doi:10.1016/j.jmva.2016.08.009
[28] Tang，N。；赵，P。；Zhu，H.，用不可忽视的缺失数据估计方程的经验似然，Stat Sin，24723-747（2014）·Zbl 1285.62035号
[29] 王，Q。；Li，Y.，如何使完整数据的无模型特征筛选方法适用于缺少响应的情况？，Scand J Stat，45，324-346（2018）·Zbl 1405.62020号 ·doi:10.1111/约书亚.12290
[30] Wang，L。；Wu，Y。；Li，R.，用于分析超高维异质性的分位数回归，美国统计学会杂志，107，214-222（2012）·兹比尔1328.62468 ·doi:10.1080/01621459.2012.656014
[31] 王，S。；邵，J。；Kim，JK，《不可忽视的无响应识别和估计的工具变量方法》，Stat Sin，241097-1116（2014）·Zbl 06431822号
[32] Yu，L。；Lin，N。；Wang，L.，大规模非凸惩罚分位数回归的并行算法，J Compute Gr Stat，26，935-939（2017）·doi:10.1080/10618600.2017.1328366
[33] Zhang，C.，最小最大凹惩罚下的几乎无偏变量选择，Ann Stat，38，894-942（2010）·Zbl 1183.62120号 ·doi:10.1214/09-AOS729
[34] 张，L。；林，C。；Zhou，Y.，不可忽略缺失数据的广义矩方法，Stat Sin，28，2107-2124（2018）·Zbl 1406.62083号
[35] 赵，J。；Shao，J.，具有不可忽略缺失数据的广义线性模型中的半参数伪似然，美国国家统计协会，1101577-1590（2015）·Zbl 1373.62388号 ·doi:10.1080/01621459.2014.983234
[36] 赵，P。；赵，H。；Tang，N。；Li，Z.，使用无响应仪器对不可忽视的缺失数据进行加权复合分位数回归分析，《非参数统计杂志》，29，189-212（2017）·Zbl 1369.62111号 ·doi:10.1080/10485252.2017.1285030
[37] 赵，J。；杨，Y。；Ning，Y.，不可忽略缺失数据变量选择的惩罚成对伪似然，Stat Sin，282125-2148（2018）·Zbl 1406.62078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。