×
雅库布·斯托克洛萨;戴维·沃顿。

多元自适应回归样条的广义估计方程方法。 （英语） Zbl 07498982号

J.计算。图表。斯达。 27，第1号，245-253（2018）。
摘要：多元自适应回归样条（MARS）是一种流行的非参数回归工具，常用于预测和揭示响应变量和预测变量之间的重要数据模式。标准的MARS算法假设响应是正态分布和独立的，但在本文中，我们通过将MARS扩展到广义估计方程来放宽这两个假设。我们将此MARS-for-GEEs算法称为“MARGE”。我们的算法使用了快速向前选择技术，因此在单变量情况下，MARGE的计算速度与标准MARS实现类似。仿真结果表明，当使用相关和/或非正态响应数据时，该算法比原MARS算法具有更好的预测性能。MARGE也与文献中的备选方案竞争，尤其是对于具有多个相互作用预测因子的问题。我们将MARGE应用于具有不同数据类型的各种生态示例。本文的补充材料可在网上获得。

引用于2文件

MSC公司：

62至XX 统计

关键词：

通用乙醇提取物;GLM公司;火星;型号选择;负二项回归;非参数平滑

软件：

贝叶斯树;加迈尔;mvabund公司;地球;阶梯;R（右）;塞米帕尔;SAS公司;Glmulti公司
PDF格式BibTeX公司 XML格式引用
\textit{J.Stoklosa}和\textit{D.I.Warton}，J.Comput。图表。Stat.27，No.1，245--253（2018；Zbl 07498982）
全文： 内政部 链接

参考文献：

[1] Bakin，S。；黑格兰，M。；Osborne，M.R.，基于B样条的并行MARS算法，计算统计学，15463-484（2000）·Zbl 1038.65008号
[2] Boos，D.D.，《关于广义分数测试》，《美国统计学家》，46，327-333（1992）
[3] 布朗，A.M。；沃顿，D.I。；N.R.安德鲁。；宾斯，M。；Cassis，G。；Gibb，H.，《第四个核心解决方案——使用预测模型了解物种特征如何与环境相互作用，生态学和进化方法》，5344-352（2014）
[4] Buja，A。；达菲，D。；哈斯蒂·T·J。；Tibshirani，R.，《讨论：多元自适应回归样条曲线》，《统计学年鉴》，第19期，第93-99页（1991年）
[5] 加尔卡尼奥，V。；de Mazancourt，C.，glmulti:A R Package for Easy Automated Model Selection with（Generalized）Linear Models，Journal of Statistical Software，34，1-29（2010年）
[6] Chatterjee，S。；Laudato，M。；Lynch，L.A.，《遗传算法及其统计应用：导论》，计算统计与数据分析，22633-651（1996）·Zbl 0900.62336号
[7] Chipman，H。；乔治·E。；McCulloch，R.，贝叶斯集成学习，神经信息处理系统进展，19，265-272（2006）
[8] ---，贝叶斯加性回归树，应用统计年鉴，4266-298（2010）·Zbl 1189.62066号
[9] Chipman，H。；McCulloch，R.，贝叶斯树：贝叶斯加性回归树，R包版本0.3-1.2（2015）
[10] Faraway，J.J.，《R线性模型》（2014），佛罗里达州博卡拉顿：查普曼和霍尔/CRC，佛罗里达州波卡拉顿·Zbl 1341.62008年
[11] Friedman，J.H.，多元自适应回归样条，《统计学年鉴》，19，1-67（1991）·Zbl 0765.62064号
[12] 快速MARS（1993）
[13] 弗里德曼，J.H。；Roosen，C.B.，《多元自适应回归样条的介绍》，医学研究中的统计方法，4197-217（1995）
[14] 弗里德曼，J.H。；Silverman，B.H.，《灵活节俭平滑和加性建模》，《技术计量学》，31，3-21（1989）·Zbl 0672.65119号
[15] 哈丁，J.W。；Hilbe，J.M.，《广义估计方程》（2002），佛罗里达州博卡拉顿：查普曼和霍尔/CRC，佛罗里达州波卡拉顿
[16] 哈斯蒂，T。；Tibshirani，R。；Friedman，J.，《统计学习的要素》（2009），纽约：Springer-Verlag出版社，纽约·Zbl 1273.62005年
[17] Koc，E.K。；伊伊贡，C。；巴茨，I。；Weber，G.H.，《基于映射方法的高效自适应回归样条算法与金融案例研究》，《全球优化杂志》，60，103-120（2014）·Zbl 1308.65018号
[18] Leathwick，J.R。；罗，D。；J·理查森。；埃利斯，J。；Hastie，T.，使用多元自适应回归样条预测新西兰淡水溯河鱼类的分布，淡水生物学，502034-2052（2005）
[19] Liang，K.Y。；Zeger，S.L.，使用广义线性模型进行纵向数据分析，生物特征，73，13-22（1986）·Zbl 0595.62110号
[20] Lin，H.-Y。；王，W。；刘玉华。；宋世杰。；约克·T·P。；迈尔斯，L。；Hu，J.J.，多元自适应回归样条和Logistic回归在检测SNPSNP相互作用中的比较及其在前列腺癌中的应用，人类遗传学杂志，53，802-811（2008）
[21] McCullagh，P。；Nelder，J.A.，广义线性模型（1989），伦敦：查普曼和霍尔/CRC，伦敦·Zbl 0744.62098号
[22] Milborrow，S.，《地球上的笔记》（Notes on the earth Package）。包装小品（2017）
[23] 地球：多元自适应回归样条。R软件包版本4.4.7（2017）
[24] Nuamah，I.F。；曲，Y。；Amini，S.B.，逐步相关二元回归的SAS宏，生物医学中的计算机方法和程序，49，199-210（1996）
[25] Pregibon，D.，GLIM分数测试与应用，统计学课堂讲稿。GLIM 82：广义线性模型国际会议论文集，87-97（1982）·Zbl 0493.62063号
[26] R： 统计计算语言与环境（2017）
[27] Rotnitzky，A。；Jewell，N.P.，集群相关数据半参数广义线性模型回归参数的假设检验，生物统计学，77，485-497（1990）·Zbl 0734.62075号
[28] Ruppert，D。；魔杖，M.P。；Carroll，R.J.，《半参数回归》（2003），剑桥：剑桥大学出版社，剑桥·Zbl 1038.62042号
[29] SAS软件，9.1版（2015）
[30] Stoklosa，J。；Gibb，H。；Warton，D.I.，《具有大量预测变量的广义估计方程的快速向前选择》，生物统计学，70110-120（2014）·Zbl 1419.62177号
[31] 斯通，C.J。；汉森，M.H。；科珀伯格，C。；Truong，Y.K.，《扩展线性建模中的多项式样条及其张量积》，《统计年鉴》，251371-1425（1997）·Zbl 0924.62036号
[32] Wang，Y。；美国诺曼。；Wright，S.T。；Warton，D.I.，mvabund–基于模型的多元丰度数据分析的R包，生态学与进化方法，3471-474（2012）
[33] 沃顿，D.I。；Wright，S.T。；Wang，Y.，基于距离的多元分析混淆了位置和扩散效应，生态学和进化方法，389-101（2012）
[34] Wood，S.N.，《广义加性模型：R简介》（2006），佛罗里达州博卡拉顿：查普曼和霍尔/CRC，佛罗里达州波卡拉顿·Zbl 1087.62082号
[35] 约克·T·P。；伊维斯，L.J。；Oord，E.J.C.J.，《多元自适应回归样条：检测亚组间疾病风险关系差异的有效方法》，《医学统计学》，第25期，第1355-1367页（2006年）
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。