Identification of local sparsity and variable selection for varying coefficient additive hazards models

مدل های ضریب متغیر در برنامه های کاربردی متعددی در حوزه وسیعی از زمینه های علمی کاربرد دارند. روش های موجود در مدل های مختلف ضریب، عمدتا بر برآورد و انتخاب متغیر تمرکز دارند. علاوه بر انتخاب پیش بینی های مربوطه و برآورد اثرات آن، شناختن مناطق زیرمجموعه ای که ضرایب متغیر آن صفر است، برای شناخت عمیق ویژگی های محلی ضعیف از اثرات کاربردی پیش بینی کننده های مهم مهم است. در این مقاله پیشنهاد می کنیم یک روش جدید برای انجام همزمان انتخاب متغیر و شناسایی اسپارتی محلی پیش بینی کننده های مهم در زمینه متغیرهای مختلف خطرات افزودنی ضریب. این روش ترکیبی از روش تخمینی هسته و ایده گروه مجازات است. خواص آستانه ی برآوردگرهای حاصل می شود. مطالعات شبیه سازی نشان می دهد که روش پیشنهادی می تواند به طور موثر پیش بینی کننده های مهم را انتخاب کند و به طور همزمان مناطق ناخالصی های مختلف را شناسایی کند. یک برنامه کاربردی برای مجموعه داده های خانه پرستاری ارائه شده است.