安妮迪亚·巴德拉;乔蒂什卡·达塔;尼古拉斯·波尔森（Nicholas G.Polson）。;布兰登·威拉德 拉索遇到马蹄铁：一项调查。 （英语） Zbl 1429.62308号 统计科学。 34，第3号，405-427（2019）. 摘要：本文的目的是对比和调查两种最常用的高维技术的主要进展，即拉索正则化和马蹄正则化。拉索是预测器选择的黄金标准，马蹄铁是稀疏信号的最先进的贝叶斯估计器。拉索速度快，可扩展，使用凸优化，而马蹄铁是非凸的。我们的新观点集中在三个方面：（i）高斯稀疏模型及其以外的高维推理的理论优化，（ii）计算的效率和可扩展性，以及（iii）方法的发展和性能。 引用于27文件 MSC公司： 62J07型 岭回归；收缩估计器（拉索） 62甲12 多元分析中的估计 关键词：全局局部先验;马蹄铁;马蹄铁+;超参数调谐;拉索;回归，回归;正规化;稀疏 软件：全球统一制度;玻璃制品;莫诺姆文;高级网络;布莱索;格尔姆奈特;softImpute软件;马蹄铁;最大功率放大器;EBayesThresh公司;伊斯兰解放军;马术;贝叶斯注册;稀疏的;电子静态学习 PDF格式BibTeX公司 XML格式引用 \textit{A.Bhadra}等人，《统计科学》。34，第3号，405--427（2019年；Zbl 1429.62308） 全文： 内政部 arXiv公司 欧几里得 参考文献： [1] Andrews，D.F.和Mallows，C.L.（1974年）。按比例混合正态分布。J.罗伊。统计师。Soc.序列号。B 36 99-102号·Zbl 0282.62017号 ·doi:10.1111/j.2517-6161.1974.tb00989.x [2] Armagan，A.、Clyde，M.和Dunson，D.B.（2011年）。高斯广义β混合物。神经信息处理系统进展523-531。 [3] Armagan，A.、Dunson，D.B.和Lee，J.（2013）。广义双Pareto收缩。统计师。中研院23 119-143·Zbl 1259.62061号 [4] Armagan，A.、Dunson，D.B.、Lee，J.、Bajwa，W.U.和Strawn，N.（2013）。收缩先验下线性模型的后验一致性。生物特征100 1011-1018·Zbl 1279.62139号 ·doi:10.1093/biomet/ast028 [5] Bai，R.和Ghosh，M.（2017年）。最佳后收缩和多假设检验的逆伽马伽马先验。可从arXiv:1710.04369获取。 [6] Belitser，E.和Nurushev，N.（2015）。大海捞针：可能稀疏序列的稳健置信度。可在arXiv:11511.01803获取·Zbl 1441.62110号 [7] Belloni，A.、Chernozhukov，V.和Wang，L.（2011年）。方形套索：通过圆锥曲线编程对稀疏信号进行枢轴恢复。生物特征98 791-806·Zbl 1228.62083号 ·doi:10.1093/biomet/asr043 [8] Berzuini，C.、Guo，H.、Burgess，S.和Bernardinelli，L.（2016）。用劣质仪器进行孟德尔随机化：贝叶斯方法。可从arXiv:1608.02990[math，stat]获取，8月arXiv:1608.02990。 [9] Bhadra，A.、Datta，J.、Polson，N.G.和Willard，B.（2016a）。全局-局部混合物。在arXiv可用：1604.07487·Zbl 1506.62343号 ·doi:10.1093/biomet/asw041 [10] Bhadra，A.、Datta，J.、Li，Y.、Polson，N.G.和Willard，B.（2016b）。马蹄形回归的预测风险。可从arXiv:1605.04796获取·Zbl 1489.62196号 [11] Bhadra，A.、Datta，J.、Polson，N.G.和Willard，B.（2016c）。具有全局-局部收缩先验的默认贝叶斯分析。生物特征103 955-969·Zbl 1506.62343号 ·doi:10.1093/biomet/asw041 [12] Bhadra，A.、Datta，J.、Polson，N.G.和Willard，B.（2017a）。特征子集选择的马蹄正则化。可从arXiv:1702.07400获取·Zbl 1384.62079号 ·doi:10.1214/16-BA1028 [13] Bhadra，A.、Datta，J.、Polson，N.G.和Willard，B.（2017b）。超稀疏信号的马蹄形+估计器。贝叶斯分析。12 1105-1131·Zbl 1384.62079号 ·doi:10.1214/16-BA1028 [14] Bhattacharya，A.、Chakraborty，A.和Mallick，B.K.（2016）。高维回归中高斯混合先验的快速采样。生物特征103 985-991。 [15] Bhattacharya，A.、Pati，D.、Pillai，N.S.和Dunson，D.B.（2015）。Dirichlet-Laplace优先考虑最佳收缩。J.Amer。统计师。协会110 1479-1490·Zbl 1373.62368号 ·doi:10.1080/01621459.2014.960967 [16] Bien，J.、Taylor，J.和Tibshirani，R.（2013）。用于分层交互的LASSO。安。统计师。41 1111-1141. ·Zbl 1292.62109号 ·doi:10.1214/13-AOS1096 [17] Bogdan，M.、Chakrabarti，A.、Frommlet，F.和Ghosh，J.K.（2011年）。一些多重测试过程稀疏性下的渐近贝叶斯优化。安。统计师。39 1551-1579. ·Zbl 1221.62012年 ·doi:10.1214/10-AOS869 [18] Bühlmann，P.和van de Geer，S.（2011）。高维数据统计：方法、理论和应用。统计学中的斯普林格系列。海德堡施普林格·Zbl 1273.62015年 [19] Candès，E.J.（2008）。受限等距特性及其对压缩传感的影响。C.R.数学。阿卡德。科学。巴黎346 589-592·Zbl 1153.94002号 ·doi:10.1016/j.crma.2008.03.014 [20] Candes，E.和Tao，T.（2007）。Dantzig选择器：当\（p）远大于\（n）时的统计估计。安。统计师。35 2313-2351. ·Zbl 1139.62019号 ·doi:10.1214/00905360000001523 [21] Candès，E.J.和Tao，T.（2010年）。凸松弛的威力：近最优矩阵补全。IEEE传输。通知。理论56 2053-2080·Zbl 1366.15021号 ·doi:10.1109/TIT.2010.2044061 [22] Carvalho，C.M.、Polson，N.G.和Scott，J.G.（2009年）。通过马蹄铁处理稀疏性。J.马赫。学习。第5号决议73-80。 [23] Carvalho，C.M.、Polson，N.G.和Scott，J.G.（2010年）。稀疏信号的马蹄形估计器。生物特征97 465-480·Zbl 1406.62021号 ·doi:10.1093/biomet/asq017 [24] Castillo，I.、Schmidt-Hieber，J.和van der Vaart，A.（2015）。稀疏先验贝叶斯线性回归。安。统计师。43 1986-2018. ·Zbl 1486.62197号 ·doi:10.1214/15-AOS1334 [25] Castillo，I.和van der Vaart，A.（2012年）。大海捞针：可能稀疏序列的后向集中。安。统计师。40 2069-2101. ·Zbl 1257.62025号 ·doi:10.1214/12-AOS1029 [26] Chatterjee，A.和Lahiri，S.N.（2011年）。引导套索估计器。J.Amer。统计师。协会106 608-625·Zbl 1232.62088号 ·doi:10.1198/jasa.2011.tm10159 [27] Chernozhukov，V.、Hansen，C.和Liao，Y.（2017）。对密集和稀疏信号总和恢复的熔岩攻击。安。统计师。45 39-76. ·Zbl 1422.62248号 ·doi:10.1214/16-AOS1434 [28] Cutillo，L.、Jung，Y.Y.、Ruggeri，F.和Vidakovic，B.（2008）。较大后验模式小波阈值及其应用。J.统计。计划。推论138 3758-3773·Zbl 1169.62016号 ·doi:10.1016/j.jspi.2007.12.015 [29] Datta，J.和Dunson，D.B.（2016）。准解析计数数据的贝叶斯推断。生物特征103 971-983·Zbl 1506.62344号 ·doi:10.1093/biomet/asw053 [30] Datta，J.和Ghosh，J.K.（2013）。马蹄形先验贝叶斯风险的渐近性质。贝叶斯分析。8 111-131. ·Zbl 1329.62122号 ·doi:10.1214/13-BA805 [31] Datta，J.和Ghosh，J.K.（2015）。为模型选择和估计寻找最佳目标先验。贝叶斯方法及其应用的当前趋势225-243。佛罗里达州博卡拉顿CRC出版社。 [32] Donoho，D.L.（2006）。压缩传感。IEEE传输。通知。理论52 1289-1306·Zbl 1288.94016号 ·doi:10.1109/TIT.2006.871582 [33] Donoho，D.L.和Johnstone，I.M.（1994年）。通过小波收缩实现理想的空间自适应。生物特征81 425-455·Zbl 0815.62019号 ·doi:10.1093/biomet/81.3.425 [34] Donoho，D.L.和Johnstone，I.M.（1995）。通过小波收缩适应未知平滑度。J.Amer。统计人员。协会90 1200-1224·Zbl 0869.62024号 ·网址：10.1080/01621459.1995.10476626 [35] Donoho，D.L.、Johnstone，I.M.、Hoch，J.C.和Stern，A.S.（1992年）。最大熵和接近黑色的物体。J.罗伊。统计师。Soc.序列号。B 54 41-81·Zbl 0788.62103号 ·doi:10.1111/j.2517-6161.1992.tb01864.x [36] Efron，B.（2008）。微阵列、经验贝叶斯和两组模型。统计师。科学。23 1-22. ·Zbl 1327.62046号 ·doi:10.1214/07-STS236 [37] Efron，B.（2010年）。大尺度推断：估计、测试和预测的经验贝叶斯方法。数学统计研究所（IMS）专著1。剑桥大学出版社，剑桥·Zbl 1277.62016年 [38] Efron，B.、Hastie，T.、Johnstone，I.和Tibshirani，R.（2004）。最小角度回归。安。统计师。32 407-499. ·兹比尔1091.62054 ·doi:10.1214/009053604000000067 [39] Fan，J.和Li，R.（2001）。通过非冲突惩罚似然及其oracle属性进行变量选择。J.Amer。统计师。协会96 1348-1360·Zbl 1073.62547号 ·doi:10.1198/016214501753382273 [40] 福克纳，J.R.和Minin，V.N.（2015）。贝叶斯趋势滤波：具有收缩先验的自适应时间平滑。 [41] Friedman，J.、Hastie，T.和Tibshirani，R.（2008）。用图形套索进行稀疏逆协方差估计。生物统计学9 432-441·Zbl 1143.62076号 ·doi:10.1093/biostatistics/kxm045 [42] Friedman，J.、Hastie，T.和Tibshirani，R.（2010）。广义线性模型通过坐标下降的正则化路径。J.统计软件。33 1-22. [43] Friedman，J.、Hastie，T.、Höfling，H.和Tibshirani，R.（2007）。路径坐标优化。附录申请。统计数字1 302-332·Zbl 1378.90064号 ·doi:10.1214/07-AOAS131 [44] Gelman，A.、Hwang，J.和Vehtari，A.（2014）。了解贝叶斯模型的预测信息标准。统计计算。24 997-1016. ·Zbl 1332.62090号 ·doi:10.1007/s11222-013-9416-2 [45] George，E.I.（2000）。变量选择问题。J.Amer。统计师。协会95 1304-1308·Zbl 1018.62050号 ·doi:10.1080/01621459.2000.10474336 [46] George，E.I.和Foster，D.P.（2000）。校准和经验贝叶斯变量选择。生物特征87 731-747·Zbl 1029.62008号 ·doi:10.1093/biomet/87.4.731 [47] Ghosal，S.、Ghosh，J.K.和van der Vaart，A.W.（2000）。后验分布的收敛速度。安。统计师。28 500-531. ·兹比尔1105.62315 ·doi:10.1214/aos/1016218228 [48] Ghosh，P.和Chakrabarti，A.（2017年）。稀疏高维问题中单群收缩先验的渐近最优性。贝叶斯分析。12 1133-1161. ·Zbl 1384.62087号 ·doi:10.1214/16-BA1029 [49] Ghosh，P.、Tang，X.、Ghosh，M.和Chakrabarti，A.（2016）。稀疏性下多假设检验中一般收缩先验的Bayes风险的渐近性质。贝叶斯分析。11 753-796. ·Zbl 1359.62309号 ·doi:10.1214/15-BA973 [50] Gordy，M.B.（1998年）。共同价值拍卖的计算方便的分布假设。计算。经济。12 61-78. ·Zbl 0912.90093号 ·doi:10.1023/A:1008645531911 [51] Gramacy，R.B.和Pantaleo，E.（2010年）。缺失数据多元推断的收缩回归，以及投资组合平衡的应用。贝叶斯分析。5 237-262. ·Zbl 1330.91185号 ·doi:10.1214/10-BA602 [52] Griffin，J.E.和Brown，P.J.（2010）。回归问题中正态伽马先验分布的推断。贝叶斯分析。5 171-188. ·兹比尔1330.62128 ·doi:10.1214/10-BA507 [53] Hahn，P.R.、He，J.和Lopes，H.（2016）。贝叶斯收缩回归的椭圆切片抽样及其因果推断应用。技术报告。 [54] Hahn，P.R.、He，J.和Lopes，H.（2018年）。多工具线性IV回归的贝叶斯因子模型收缩。J.总线。经济。统计师。36 278-287. [55] Hahn，P.R.、He，J.和Lopes，H.F.（2019年）。任意先验高斯线性回归的有效采样。J.计算。图表。统计师。28 142-154之间·Zbl 07499018号 [56] Hans，C.（2011年）。具有正态先验的弹性网回归建模。J.Amer。统计师。协会106 1383-1393·Zbl 1234.62106号 ·doi:10.1198/jasa.2011.tm09241 [57] Hastie，T.、Tibshirani，R.和Friedman，J.（2009）。《统计学习的要素：数据挖掘、推断和预测》，第二版，《统计学中的斯普林格系列》。纽约州施普林格·Zbl 1273.62005年 [58] Hastie，T.、Tibshirani，R.和Wainwright，M.（2015）。稀疏的统计学习：套索和泛化。统计学和应用概率专著143。佛罗里达州博卡拉顿CRC出版社·Zbl 1319.68003号 [59] Hoerl，A.E.和Kennerd，R.W.（1970年）。岭回归：非正交问题的有偏估计。技术计量12 55-67·Zbl 0202.17205号 ·网址：10.1080/00401706.1970.10488634 [60] Ingraham，J.B.和Marks，D.S.（2016年）。难处理分布的贝叶斯稀疏性。可从arXiv:1602.03807获取。 [61] Ishwaran，H.和Rao，J.S.（2005年）。尖峰和平板变量选择：频繁和贝叶斯策略。安。统计师。33 730-773. ·Zbl 1068.62079号 ·doi:10.1214/09053604000001147 [62] James，W.和Stein，C.（1961年）。二次损失估算。程序中。第四届伯克利交响乐团。数学。统计师。和探针。，第一卷361-379。加利福尼亚大学出版社，加利福尼亚州伯克利·Zbl 1281.62026号 [63] James，G.、Witten，D.、Hastie，T.和Tibshirani，R.（2013）。统计学习导论：在R.Springer教材中的应用103。纽约州施普林格·Zbl 1281.62147号 [64] Javanmard，A.和Montanari，A.（2014）。高维回归的置信区间和假设检验。J.马赫。学习。第15号决议2869-2909·Zbl 1319.62145号 [65] Jeffreys，H.和Swirles，B.（1972年）。《数学物理方法》，第三版，剑桥大学出版社，剑桥·Zbl 0238.00004 [66] Johndrow，J.E.和Orenstein，P.（2017）。贝叶斯收缩先验的可扩展MCMC。可从arXiv:1705.00841获取。 [67] Johnstone，I.M.和Silverman，B.W.（2004）。干草堆中的针和稻草：可能稀疏序列的经验Bayes估计。安。统计师。32 1594-1649. ·Zbl 1047.62008年 ·数字对象标识代码：10.1214/00905360400000030 [68] Jolliffe，I.T.、Trendafilov，N.T.和Uddin，M.（2003）。基于LASSO的改进主成分技术。J.计算。图表。统计师。12 531-547. [69] Kowal，D.R.、Matteson，D.S.和Ruppert，D.（2017）。动态收缩过程。可从arXiv:1707.00763获取·Zbl 1428.62397号 [70] Li，K.-C.（1989）。非参数回归的诚实置信区域。安。统计师。17 1001-1008. ·Zbl 0681.62047号 ·doi:10.1214/aos/1176347253 [71] Li，Y.、Craig，B.A.和Bhadra，A.（2017）。逆协方差矩阵的图形马蹄估计。可从arXiv:1707.06661获取·Zbl 07499091号 [72] Liu，H.和Yu，B.（2013）。稀疏高维线性回归中Lasso（+）mLS和Lasso岭的渐近性质。电子。《美国联邦法律大全》第7卷第3124-3169页·Zbl 1281.62158号 ·doi:10.1214/14-EJS875 [73] Louizos，C.、Ullrich，K.和Welling，M.（2017）。用于深度学习的贝叶斯压缩。神经信息处理系统进展3290-3300。 [74] Magnusson，M.、Jonsson，L.和Villani，M.（2016）。DOLDA——用于高维多类回归的正则化监督主题模型。arXiv:1602.00260，1月·Zbl 1505.62266号 [75] Makalic，E.和Schmidt，D.F.（2016）。使用BayesReg包进行高维Bayes正则回归。可从arXiv:1611.06649获取。 [76] Mazumder，R.、Friedman，J.H.和Hastie，T.（2011年）。SparseNet：协调下降与非凸惩罚。J.Amer。统计师。协会106 1125-1138·Zbl 1229.62091号 ·doi:10.1198/jasa.2011.tm09738 [77] Mazumder，R.、Hastie，T.和Tibshirani，R.（2010）。用于学习大型不完备矩阵的谱正则化算法。J.马赫。学习。第11号决议2287-2322·Zbl 1242.68237号 [78] Mitchell，T.J.和Beauchamp，J.J.（1988）。线性回归中的贝叶斯变量选择。J.Amer。统计师。协会83 1023-1036·Zbl 0673.62051号 ·doi:10.1080/01621459.1988.10478694 [79] Nalenz，M.和Villani，M.（2018年）。具有规则结构马蹄铁规则化的树集合。附录申请。《美国联邦法律大全》第12卷第2379-2408页·Zbl 1412.62169号 ·doi:10.1214/18-AOAS1157 [80] Nickl，R.和van de Geer，S.（2013年）。稀疏回归中的置信集。安。统计师。41 2852-2876. ·Zbl 1288.62108号 ·doi:10.1214/13-AOS1170 [81] Peltola，T.、Havulina，A.S.、Salomaa，V.和Vehtari，A.（2014）。心血管事件风险预测中的层次贝叶斯生存分析和投影协变量选择。第十一届UAI贝叶斯建模应用研讨会会议记录，第1218卷，79-88 CEUR-WS.org。 [82] Piironen，J.和Vehtari，A.（2015）。使用Stan（+）R进行预测变量选择。arXiv:1508.02502，8月·Zbl 1505.62321号 [83] Piironen，J.和Vehtari，A.（2017a）。关于马蹄形先验中全局收缩参数的超先验选择。在《人工智能与统计学》905-913·Zbl 1459.62141号 ·doi:10.1214/17-EJS1337SI [84] Piironen，J.和Vehtari，A.（2017b）。马蹄铁和其他收缩前的稀疏信息和规则化。电子。《美国联邦法律大全》第11卷第5018-5051页·Zbl 1459.62141号 ·doi:10.1214/17-EJS1337SI [85] Polson，N.G.和Scott，J.G.（2010年）。使用超几何倒贝塔先验进行大规模同步测试。可从arXiv:1010.5223获取。 [86] Polson，N.G.和Scott，J.G.（2011年）。全球收缩，局部行动：稀疏贝叶斯正则化和预测。在贝叶斯统计学9 501-538。牛津大学出版社，牛津。 [87] Polson，N.G.和Scott，J.G.（2012a）。局部收缩规则、Lévy过程和正则回归。J.R.统计社会服务。B.统计方法。74 287-311. ·Zbl 1411.62209号 ·文件编号：10.1111/j.1467-9868.2011.01015.x [88] Polson，N.G.和Scott，J.G.（2012年b）。关于全局尺度参数的半柯西先验。贝叶斯分析。7 887-902. ·Zbl 1330.62148号 ·doi:10.1214/12-BA730 [89] Polson，N.G.、Scott，J.G.和Willard，B.T.（2015）。统计和机器学习中的近似算法。统计师。科学。30 559-581. ·Zbl 1426.62213号 ·doi:10.1214/15-STS530 [90] Ročková，V.和George，E.I.（2018年）。尖刺加拉索。J.Amer。统计师。协会113 431-444·Zbl 1398.62186号 ·doi:10.1080/01621459.2016.1260469 [91] 斯科特，J.G.（2010）。局部收缩模型中的参数扩展。可从arXiv:1010.5265获取。 [92] Stein，C.（1956年）。多元正态分布均值的常用估计的不可接受性。《第三届伯克利数理统计与概率研讨会论文集》，1954-1955年，第一卷，197-206年。加利福尼亚大学出版社，加利福尼亚州伯克利·Zbl 0073.35602号 [93] Stephens，M.和Balding，D.J.（2009年）。遗传关联研究的贝叶斯统计方法。Nat.Rev.基因。10 681-690. [94] Sun，T.和Zhang，C.-H.（2012）。缩放稀疏线性回归。生物特征99 879-898·兹比尔1452.62515 ·doi:10.1093/biomet/ass043 [95] Tang，X.、Ghosh，M.、Xu，X.和Ghosh、P.（2018年）。基于全局-局部收缩先验的贝叶斯变量选择和估计。Sankhya A 80 215-246号。 [96] Terenin，A.、Dong，S.和Draper，D.（2019年）。GPU加速吉布斯抽样：马蹄概率模型的案例研究。统计计算。29 301-310. ·Zbl 1430.62172号 [97] Tiao，G.C.和Tan，W.Y.（1966年）。贝叶斯分析中随机效应模型的方差分析。二、。自相关误差的影响。生物特征53 477-495·Zbl 0173.46904号 [98] Tibshirani，R.（1996）。通过套索回归收缩和选择。J.罗伊。统计师。Soc.序列号。乙58 267-288·Zbl 0850.62538号 ·doi:10.1111/j.2517-6161.1996.tb02080.x [99] Tibshirani，R.J.（2014）。赞扬其稀疏性和凸性。统计科学的过去、现在和未来497-505。 [100] Tibshirani，R.J.、Hoefling，H.和Tibshirani，R.（2011）。近等渗回归。技术计量53 54-61。 [101] Tibshirani，R.J.和Taylor，J.（2011）。广义套索的解路径。安。统计师。39 1335-1371. ·Zbl 1234.62107号 ·doi:10.1214/11-AOS878 [102] Tibshirani，R.、Saunders，M.、Rosset，S.、Zhu，J.和K.奈特（2005）。通过融合套索实现轻盈流畅。J.R.统计社会服务。B.统计方法。67 91-108. ·Zbl 1060.62049号 ·doi:10.1111/j.1467-9868.2005.00490.x [103] Tikhonov，A.（1963年）。不正确公式化问题的解决和正则化方法。苏联。数学。，多克。4 1035-1038. ·Zbl 0141.11001号 [104] 曾平（2001）。不可微极小化的块坐标下降法的收敛性。J.优化。理论应用。109 475-494·Zbl 1006.65062号 ·doi:10.1023/A:1017501703105 [105] van de Geer，S.、Bühlmann，P.、Ritov，Y.和Dezeure，R.（2014）。关于高维模型的渐近最优置信域和检验。安。统计师。42 1166-1202. ·Zbl 1305.62259号 ·doi:10.1214/14-AOS1221 [106] van der Pas，S.L.、Kleijn，B.J.K.和van der Vaart，A.W.（2014）。马蹄形估计器：近黑色向量周围的后验浓度。电子。《美国联邦法律大全》第8卷第2585-2618页·Zbl 1309.62060号 ·doi:10.1214/14-EJS962 [107] van der Pas，S.L.、Salomond，J.-B.和Schmidt Hieber，J.（2016）。稀疏正态均值问题中的后收缩条件。电子。《美国联邦法律大全》第10卷第976-1000页·Zbl 1343.62012年 ·doi:10.1214/16-EJS1130 [108] van der Pas，S.、Szabó，B.和van der Vaart，A.（2016）。干草堆里有多少针？马蹄铁的自适应推理和不确定性量化。可从arXiv:1607.01892获取·Zbl 1384.62155号 [109] van der Pas，S.、Szabó，B.和van der Vaart，A.（2017年）。马蹄铁的自适应后收缩率。电子。《美国联邦法律大全》第11卷第3196-3225页·兹比尔1373.62140 ·doi:10.1214/17-EJS1316 [110] van der Pas，S.、Scott，J.、Chakraborty，A.和Bhattacharya，A.（2016）。马蹄铁：马蹄铁的实施。R包版本0.1.0。 [111] Wang，H.和Pillai，N.S.（2013年）。关于协方差矩阵估计的一类收缩先验。J.计算。图表。统计师。22 689-707. [112] Wei，R.（2017）。非参数模型和非高斯数据的连续收缩先验贝叶斯变量选择。ProQuest LLC，密歇根州安阿伯。论文（博士），北卡罗来纳州立大学。 [113] Witten，D.M.、Tibshirani，R.和Hastie，T.（2009年）。一种惩罚矩阵分解，应用于稀疏主成分和正则相关分析。生物统计学10 515-534·Zbl 1437.62658号 [114] Yuan，M.和Lin，Y.（2006）。分组变量回归中的模型选择和估计。J.R.统计社会服务。B.统计方法。68 49-67. ·Zbl 1141.62030号 ·doi:10.1111/j.1467-9868.2005302.x [115] Zhang，C.-H.（2010）。极小极大凹惩罚下的几乎无偏变量选择。安。统计师。38 894-942. ·Zbl 1183.62120号 ·doi:10.1214/09-AOS729 [116] Zhang，Y.、Reich，B.J.和Bondell，H.D.（2016）。通过R2-D2收缩率进行高维线性回归。可从arXiv:1609.00046获取。 [117] Zhang，C.-H.和Zhang、S.S.（2014）。高维线性模型中低维参数的置信区间。J.R.统计社会服务。B.统计方法。76 217-242·Zbl 1411.62196号 ·doi:10.1111/rssb.12026 [118] Zhao，P.和Yu，B.（2006）。关于拉索模型选择的一致性。J.马赫。学习。第7号决议2541-2563·Zbl 1222.62008年 [119] 邹华（2006）。自适应套索及其oracle属性。J.Amer。统计师。协会101 1418-1429·Zbl 1171.62326号 ·doi:10.1198/016214500000735 [120] Zou，H.和Hastie，T.（2005）。通过弹性网进行规则化和变量选择。J.R.统计社会服务。B.统计方法。67 301-320. ·Zbl 1069.62054号 ·doi:10.1111/j.1467-9868.2005.00503.x 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。