该论文提出了一种基于回归模型的受惩罚子组分析方法,该方法利用惩罚来划分不同子组,通过对被观察截距的差异进行配对惩罚来刻画异质性,并且该方法经过了统计检验的验证。
Aug, 2015
提出一种基于贝叶斯方法、将先验分布放置在回归系数以及模型空间上、使用针对高维协变量的针尖和板块高斯先验、通过 Gibbs 抽样执行的变量选择方法,具有可靠的选择一致性和优于其他方法的良好性能。
May, 2014
本文简要介绍了高维统计推断中变量选择的理论、方法和实现的最近发展,强调单峰罚函数的统计性质及其在高维统计建模中的作用,同时还回顾了独立筛选和两种方法在超高维变量选择方面的最近进展。
Oct, 2009
利用条件瓦狄斯坦生成对抗网络进行建模和估计,应用组 Lasso 惩罚实现变量选择,分析受截尾生存数据的收敛率、近似误差和效率,以及通过仿真和实验数据分析实际应用中的实用性。
Feb, 2024
本文提出了一种因子方法来同时考虑模型选择和功能回归的视角,通过将预测向量分解为反映解释变量的共同因素和特定变异性的两个不相关随机分量,以包括主成分作为额外的解释变量在增广回归模型中,维度高于样本大小的线性回归问题中传统假设的稀疏向量参数是具有限制性的,模型选择程序可以用于估计增广模型的参数,并得出其理论性质和有限样本表现。
Feb, 2012
本文讨论了在高维模型中进行变量选择时可以给出什么样的统计保证,并以某些多阶段回归方法的误差率和功率为例。我们考虑了三种筛选方法:套索、边际回归和前向逐步回归,提出了在某些条件下一致的变量选择方法。
Apr, 2007
研究的主要目标是解决高维非线性变量选择的问题,提出了一种基于多核学习框架和有向无环图的核函数选择方法,能够以多项式时间选择核函数,具有高预测性能。
Sep, 2009
本文提出 DDGroup 方法,一种基于数据的方法,能够有效识别在特征和标签之间具有统一线性关系的数据子群组。DDGroup 可以发现参数法无法发现的具有 qualitatively different relationships 的数据子群组。
Apr, 2023
我们提出了一种可通过不同 iable Pareto 平滑加权框架来替换极端权重值的可微分权重学习方法,从而在估算高维异质处理效应时实现数值稳健的估计,实验结果表明,通过有效地校正权重值,我们的方法优于现有方法,包括传统的加权方案。
Apr, 2024
本文提出了一类非凸惩罚剖面似然方法,用于选择和估计线性混合效应模型中的重要固定效应和随机效应,并针对随机效应的未知协方差矩阵使用代理矩阵,进一步提出了一种组变量选择策略,以同时选择和估计重要的随机效应。
Nov, 2012