带弹性网惩罚的图模型新估计方法
统计方法学
2021-02-02 v1
摘要
在无向高斯图模型的背景下，我们引入了三种基于弹性网惩罚的估计量用于底层依赖图。我们的目标是估计稀疏精度矩阵，并由此恢复底层条件依赖图与偏相关图。第一种估计量源自似然函数中对精度矩阵的直接惩罚，第二种源自使用条件惩罚回归来估计精度矩阵。最后，第三种估计量依赖于一个两阶段过程：先估计边集，再估计精度矩阵元素。通过模拟，我们在一大类已知网络结构上考察了所提方法的性能。模拟数据的经验结果表明，两阶段过程在估计图的稀疏模式与边的权重方面均优于所有其他估计量。最后，利用关于美国经济部门的真实数据，我们估计了依赖关系，并展示了 Covid-19 疫情对网络强度的影响。
引用
@article{arxiv.2102.01053,
title = {New estimation approaches for graphical models with elastic net penalty},
author = {Davide Bernardini and Sandra Paterlini and Emanuele Taufer},
journal= {arXiv preprint arXiv:2102.01053},
year = {2021}
}