A random-effect model approach for group variable selection

مدل های رگرسیون را با ساختار گروهی در متغیرهای توضیحی در نظر می گیریم. این ساختار معمولا در عمل دیده می شود، اما اخیرا متوجه شده است که توجه به اطلاعات در فرایند مدل سازی می تواند تفسیرپذیری و دقت مدل را بهبود بخشد. در این مقاله، روش جدیدی را برای انتخاب متغیر گروه با استفاده از مدل های تصادفی بررسی می کنیم. فرضیه های توزیع خاص در مورد اثرات تصادفی مربوط به ساختار مشخص شده منجر به یک کلاس جدید مجازات هایی می شود که شامل برخی از مجازات های موجود می باشد. ما همچنین یک الگوریتم محاسباتی کارآمد را ایجاد می کنیم. مطالعات عددی برای نشان دادن خواص حساسیت و ویژگی های بهتر بدون به خطر انداختن پیش بینی دقت ارائه شده است. در نهایت، ما برخی از برنامه های کاربردی داده های واقعی از رویکرد پیشنهادی را ارائه می دهیم.