高维广义线性模型的广义正交分量回归
统计方法学
2013-04-18 v1 统计计算
摘要
我们提出了一种名为广义正交分量回归（GOCRE）的算法，以探索分类结果与一组海量变量之间的关系。依次构建一组正交分量以解释分类结果的变化，并共同建立广义线性模型（GLM）。该算法可视为偏最小二乘法（PLS）在 GLM 中的扩展，但克服了基于迭代重加权最小二乘法（IRLS）的现有扩展的几个问题。首先，现有扩展在每次迭代中构建不同的分量集，因此无法提供收敛的分量集。其次，由于重复构建完整的分量集，现有扩展计算量大。第三，尽管它们追求回归系数的收敛，但所得回归系数仍可能发散，特别是在构建逻辑回归模型时。相比之下，GOCRE 在收敛构建的基础上依次构建每个正交分量，并同时针对这些正交分量进行回归以拟合 GLM。通过模拟研究和真实数据示例展示了新方法的性能。
引用
@article{arxiv.1304.4890,
title = {Generalized Orthogonal Components Regression for High Dimensional Generalized Linear Models},
author = {Yanzhu Lin and Min Zhang and Dabao Zhang},
journal= {arXiv preprint arXiv:1304.4890},
year = {2013}
}