فایل شماره 5650 |
۵۷۵/۴ (۶۱۷/۰)
۱۳۴/۰ (۳۵۷/۰)
SCAD
۰۷۶/۹۷ (۰۸۱/)
۳۳۳/۴ (۷۳۴/۰)
۰ (۰)
Adaptive-
۴۲۸/۹۵ (۰۸۱/۰)
۰۰۰/۵ (۰)
۰۶۴/۰ (۲۴۴/۰)
در هر مقدار λ و در مدل (۱-۵) با برابر با ۱ و ۳، میزان خطا برای هر سه روش فوق تقریباً یکسان است. لذا از لحاظ میانگین check loss، این روشها با یکدیگر تفاوتی ندارند.
حالت مطلوب زمانی اتفاق میافتد که تعداد ضرایب صفر غلط کم و تعداد ضرایب صفر صحیح به ۵ نزدیک باشد. از این نظر روش adaptive-LASSO بهتر از دو روش دیگر است. زیرا برای λهای مختلف تعداد ضرایب صفر غلط کم و تعداد ضرایب صفر صحیح بیشتری دارد.
روش SCAD و تفاوت زیادی از لحاظ تعداد ضرایب صفر صحیح ندارند. البته در اکثر مواقع روش تعداد ضرایب صفر صحیح بیشتری (البته به مقدار کم) نسبت به روش SCAD ارائه میدهد ولی تعداد ضرایب صفر غلط بیشتری نیز ارائه میدهد.
توجه کنید که در مقاله مورد نظر (Variable selection in quantile regression)،
نرمافزار مورد استفاده برای قسمت شبیهسازی و تابعcheck loss ذکر نشدهاند. با توجه به متن پایان نامه، check loss، در نظر گرفته شده و از نرمافزار R،
دستورهای rq.fit.lasso و rq.fit.scad برای شبیهسازی استفاده شده است. لازم به ذکر است در نهایت نتایج ارائه شده در این شبیهسازی با نتایج مقاله اصلی (Variable selection in quantile regression)، مطابقت دارد.
فهرست منابع و مآخذ
An, L. T. H. and Tao, P. D. (1997). Solving a class of linearly constrained indefinite quadratic problems by d.c. algorithms. J. Global Optim. 11, 253-285.
Breiman, L. (1996). Heuristics of instability and stabilization in model selection. Amer. Statist. 24, 2350-2383.
Candes, E. and Tao, T. (2007). The Dantzig selector: statistical estimation when p is much larger than n. Amer. Statist. 6, 2313-2351.
Fan, J. (1997). Comments on “Wavelets in statistics: A review”, by A. Antoniadis. J. Amer. Statist. Assoc. 6, 131-138.
Fan, J. and Li, R. (2001). Variable selection via nonconcave penalized likelihood and its oracle properties. J. Amer. Statist. Assoc. ۹۶, ۱۳۴۸-۱۳۶۰٫
Fan, J. and Li, R. (2002). Variable selection for Cox’s proportional hazards model and frailty model. Amer. Statist. 30, 74-99.
Fan, J. and Li, R. (2004). New estimation and model selection procedures for semiparametric modeling in longitudinal data analysis. J. Amer. Statist. Assoc. 99, 710-723.
Fan, J. and Lv, J. (2006). Sure independence screening for ultra-high dimensional feature space. Submitted.
Fan, J. and Peng, H. (2004). Nonconcave penalized likelihood with a diverging number of parameters. Amer. Statist. 32, 928-961.
Frank, I. and Friedman, J. (1993). A statistical view of some chemometrics regression tools. Technometrics 35, 109-148.
Geyer, C. J. (1994). On the asymptotics of constrained m-estimation. Amer. Statist. 22, 1993- 2010.
Harrison, D. and Rubinfeld, D. L. (1978). Hedonic housing prices and the demand for clean air. J. Environmental Economics and Management, 81-102.
He, X. and Shao, Q.-M. (2000). On parameters of increasing dimensions. J. Multivariate Anal. 73, 120-135.
Hendricks, W. and Koenker, R. (1992). Hierarchical spline models for conditional quantiles and the demand for electricity. J. Amer. Statist. Assoc. 87, 58-68.
Hoerl, A. and Kennard, R. (1988). Ridge regression. In Encyclopedia of Statistical Sciences 8, 129-136 Wiley, New York.
Hunter, D. R. and Li, R. (2005). Variable selection using MM algorithm. Amer. Statist. 33, 1617-1642.
Keming Yu, Zudi Lu and Julian Stander (2003). Quantile regression: applications and current research areas. The Statistician 52, Part 3,331-350
Knight, K. (1999). Asymptotics for L1-estimators of regression parameters under heteroscedas- ticity. Canad. J. Statist. 27, 497-507.
Kocherginsky, M., He, X. and Mu, Y. (2005). Practical confidence intervals for regression quan- tiles. J. Comput. Graph. Statist. 14, 41-55.
Koenker, R. (2004). Quantile regression for longitudinal data. J. Multivariate Anal. 91, 74-89.
Koenker, R. (2005). Quantile Regression, Cambridge University Press.
Koenker, R. and Bassett, G. (1978). Regression quantiles. Econometrica 46, 33-50.
Koenker, R. and Geling, R. (2001). Reappraising medfly longevity: a quantile regression survivalanalysis. J. Amer. Statist. Assoc. 96, 458-468.
فرم در حال بارگذاری ...
[یکشنبه 1401-04-05] [ 08:57:00 ب.ظ ]
|