سایپرز، باشگاه دانش - ارائه دهنده مقالات ژورنالهای خارجی

اطلاعات و مشخصات مقاله

[ 186 | جستجو | فهرست کلمات کلیدی | فهرست موضوعات | فهرست نویسندگان | فهرست ناشران | فهرست ژورنالها ]


عنوان مقاله:انتخاب های جدید متغیر پراکنده از طریق مدل تصادفی اثر
ناشر: [ Elsevier BV ]
ژورنال
دوره (شماره): (0)
سال انتشار:March 2014
شماره صفحات: 899989-99
نشانگر دیجیتالی شیء:[ 10.1016/j.jmva.2013.11.016 ]
شما اینجا هستید:
  1. Scipers, the Knowledge ClubScipers »
  2. Elsevier BV »
  3. Journal Of Multivariate Analysis »
  4. A new sparse variable selection via random-effect model

دسترسی بین المللی

اگر شما در داخل کشور (ایران) هستید و این صفحه را مشاهده می کنید، نشان می دهد که IP شما به هر دلیلی در لیست IP های ایران ثبت نشده است. برای رفع این مشکل کافی است IP خود را که در پایین این پیام درج شده از طریق آدرس ایمیل support@scipers.com به ما اطلاع دهید. پس از دریافت درخواست، کارشناسان فنی موضوع را بررسی می نمایند و در صورتی که محل اتصال شما از کشور ایران بوده باشد، به لیست استفاده کنندگان مجاز افزوده می شوید.
IP: 54.90.86.231

اطلاعات استنادی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

 

به اشتراک گذاری

این صفحه را با استفاده از انواع شبکه های اجتماعی با دوستان خود به اشتراک بگذارید.

خلاصه مقاله، نویسندگان و کلمات کلیدی

A New Sparse Variable Selection Via Random-effect Model


مقاله: انتخاب های جدید متغیر پراکنده از طریق مدل تصادفی اثر

نويسند‌گان:


خلاصه مقاله:


We study a new approach to simultaneous variable selection and estimation via random-effect models. Introducing random effects as the solution of a regularization problem is a flexible paradigm and accommodates likelihood interpretation for variable selection. This approach leads to a new type of penalty, unbounded at the origin and provides an oracle estimator without requiring a stringent condition. The unbounded penalty greatly enhances the performance of variable selections, enabling highly accurate estimations, especially in sparse cases. Maximum likelihood estimation is effective in enabling sparse variable selection. We also study an adaptive penalty selection method to maintain a good prediction performance in cases where the variable selection is ineffective.


ما مطالعه یک روش جدید برای انتخاب متغیر به طور همزمان و برآورد از طریق مدل های تصادفی اثر. معرفی اثرات تصادفی به عنوان راه حل یک مشکل تنظیم یک الگوی قابل انعطاف است و با ظرفیت تفسیر احتمال برای انتخاب متغیر است. این رویکرد منجر به نوع جدیدی از ضربه ی پنالتی نامحدود در مبدا فراهم می کند و برآورد اوراکل بدون نیاز به یک وضعیت دقیق. مجازات بیکران تا حد زیادی افزایش عملکرد از انتخاب متغیر، قادر می سازد برآورد بسیار دقیق، به خصوص در موارد نادر است. حداکثر برآورد احتمال در را قادر می سازد انتخاب پراکنده متغیر موثر است. ما همچنین یک روش تطبیقی ​​انتخاب پنالتی برای حفظ عملکرد پیش بینی خوب در مواردی که انتخاب متغیر بی اثر است مطالعه است.


كلمات كليدي:

Maximum likelihood estimator, Prediction, Random-effect models, Sparsity, Variable selection
برآورد حداکثر احتمال, پیش بینی, مدل تصادفی اثر, Sparsity, انتخاب متغیر


موضوعات:

Statistics, Probability and Uncertainty, Statistics and Probability, Numerical Analysis



[ ]

فهرست مقالات مرتبط و مشابه

  1. (2008) 'Random Effect and Latent Variable Model Selection', Lecture Notes in Statistics, Springer New York, pp:0-0
  2. Matsui, Hidetoshi , Misumi, Toshihiro (2014) 'Variable selection for varying-coefficient models with the sparse regularization', Comput Stat, Springer Science + Business Media, pp:43-55
  3. Lee, Sangin, Pawitan, Yudi, Lee, Youngjo (2015) 'A random-effect model approach for group variable selection', Computational Statistics & Data Analysis, Elsevier BV, pp:147-157
  4. Han, Dongxiao, Liu, Lei, Su, Xiaogang, Johnson, Bankole, Sun, Liuquan (2018) 'Variable selection for random effects two-part models', Statistical Methods in Medical Research, SAGE Publications, pp:-
  5. Butucea, Cristina, Stepanova, Natalia (2017) 'Adaptive variable selection in nonparametric sparse additive models', Electronic Journal of Statistics, Institute of Mathematical Statistics, pp:2321-2357
  6. , (2015) 'Finite mixture regression: A sparse variable selection by model selection for clustering', Electron. J. Statist., Institute of Mathematical Statistics, pp:2642-2674
  7. , (2016) 'The use of random-effect models for high-dimensional variable selection problems', Computational Statistics & Data Analysis, Elsevier BV, pp:0-0
  8. Davies, Vinny, Reeve, Richard, Harvey, William T., Husmeier, Dirk (2016) 'Selecting Random Effect Components in a Sparse Hierarchical Bayesian Model for Identifying Antigenic Variability', Computational Intelligence Methods for Bioinformatics and Biostatistics, Springer Nature, pp:14-27
  9. Thomas, Janek, Hepp, Tobias, Mayr, Andreas, Bischl, Bernd (2017) 'Probing for Sparse and Fast Variable Selection with Model-Based Boosting', Computational and Mathematical Methods in Medicine, Hindawi Limited, pp:1-8
  10. , (2013) 'Bayesian nonparametric centered random effects models with variable selection', Biom. J., Wiley-Blackwell, pp:217-230

 

فهرست مراجع و منابع




 

برگشت به بالا
× 🎁
رونمایی از اولین و تنها ربات تلگرامی جستجوی مقالات ژورنالی
×