کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4949257 | 1440042 | 2017 | 14 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Homogeneity detection for the high-dimensional generalized linear model
ترجمه فارسی عنوان
تشخیص یکنواختی برای مدل خطی تعمیم یافته با ابعاد بزرگ
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
متغیرهای دستهبندی، مدل خطی متداول مجازات گروه بندی، اموال اوراکل،
ترجمه چکیده
ما پیشنهاد می کنیم از برآوردگر جریمه شده برای تشخیص همگن بودن مدل خطی تعمیم یافته با ابعاد استفاده کنیم. در اینجا همگن بودن یک ساختار مدل خاص است که ضرایب رگرسیون با گروه بندی دقیقا همان مقدار در هر گروه قرار می گیرند. برآوردگر پیشنهادی در شرایط منظم ضعیف اوراکل ضعیف را به دست میآورد و در صورت انتخاب نوعی مرجع در مدل، به انتخاب سطوح مرجع، غیرممکن است. الگوریتم کارآمد نیز ارائه شده است. مطالعات مختلف عددی تایید می کنند که برآوردگر پیشنهاد شده جریمه، عملکرد بهترتری نسبت به سایر برآوردهای انتخاب متغیر متداول را زمانی که مدل یکنواخت است، فراهم می کند.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نظریه محاسباتی و ریاضیات
چکیده انگلیسی
We propose to use a penalized estimator for detecting homogeneity of the high-dimensional generalized linear model. Here, the homogeneity is a specific model structure where regression coefficients are grouped having exactly the same value in each group. The proposed estimator achieves weak oracle property under mild regularity conditions and is invariant to the choice of reference levels when there are categorical covariates in the model. An efficient algorithm is also provided. Various numerical studies confirm that the proposed penalized estimator gives better performance than other conventional variable selection estimators when the model has homogeneity.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 114, October 2017, Pages 61-74
Journal: Computational Statistics & Data Analysis - Volume 114, October 2017, Pages 61-74
نویسندگان
Jong-June Jeon, Sunghoon Kwon, Hosik Choi,