针对具有高维协变量的空间观测的双重正则化广义线性模型
统计方法学
2024-12-17 v2 应用统计
摘要
离散空间格可被表示为一种网络结构，在其上可观测到空间相关的结果。当此类信息可用时，第二种网络结构也可捕捉已测特征之间的相似性。在分析此类双重结构数据时纳入网络结构，可以提高预测能力，并有助于更好地识别数据生成过程中的重要特征。受空间疾病制图应用的启发，我们开发了一种新的双重正则化回归框架，以纳入这些网络结构用于分析高维数据集。我们的估计量可使用标准凸优化算法轻松实现。此外，我们描述了一种为模型参数获取渐近有效置信区间和假设检验的程序。我们通过实证表明，与现有的高维空间方法相比，我们的框架提供了更好的预测精度和推断能力。这些优势在给定完全准确的网络信息时成立，且在网络部分误设或不具信息量时同样成立。将所提方法应用于 COVID-19 死亡率数据建模表明，它可以比标准空间模型更好地预测死亡人数，并且更频繁地选择相关协变量。
关键词
引用
@article{arxiv.2401.15793,
title = {Doubly regularized generalized linear models for spatial observations with high-dimensional covariates},
author = {Arjun Sondhi and Si Cheng and Ali Shojaie},
journal= {arXiv preprint arXiv:2401.15793},
year = {2024}
}