我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
我们提出了一种多元回归分析方法，该方法处理分类变量（可能与连续变量混合），结合正则化、变量选择和高维数据（$P\gg N$）。正则化和最优尺度（OS）是本文将要结合的普通最小二乘回归（OLS）的两个重要扩展。有两种数据分析情况可用于开发最佳缩放。一个是分类数据的分析，另一个是由于预测因素和结果之间的非线性关系而需要转换。分类数据的最佳缩放找到了类别的量化，无论是预测因素还是结果变量，它们在最大化多重相关性的意义上对回归模型来说都是最佳的。当存在非线性关系时，预测因子和结果的非线性转换以相同的方式使多重相关性最大化。我们将考虑各种转换类型；通常我们对分类变量使用阶跃函数，对连续变量使用光滑（样条）函数。这两种类型的函数都可以限制为单调函数，从而保留数据中的顺序信息。结合最优尺度，将考虑三种常用的正则化方法：岭回归、拉索和弹性网。由此产生的方法称为ROS回归（正则化最优尺度回归）。OS算法提供了正则化回归系数的直接有效估计，自动给出了群Lasso和分块稀疏回归，并通过保持数据中有序属性的可能性对其进行了扩展。提供了扩展示例。
杰奎琳·梅尔曼（Jacqueline J.Meulman）。 安妮塔·范德科伊（Anita J.van der Kooij）。 凯文·杜伊斯特（Kevin L.W.Duisters）。 “ROS回归：将正则化与最优尺度回归相结合。” 统计师。科学。 34 (3) 361 - 390, 2019年8月。 https://doi.org/10.1214/19-STS697
