分位数回归:一种惩罚化方法
统计方法学
2019-11-05 v1 应用统计
摘要
稀疏组LASSO(SGL)是一种用于回归问题的惩罚技术,适用于协变量具有自然分组结构的情况,并提供组间与组内均稀疏的解。本文将SGL引入分位数回归(QR)框架,并提出了更具灵活性的变体——自适应稀疏组LASSO(ASGL)。该方案为惩罚项添加权重以提高预测精度。通常,自适应权重取为原始非惩罚解模型的函数,这种方法仅在n > p框架下可行。本文提出了一种能在高维情景下使用自适应权重的方案。该方案的益处已在合成与真实数据集上得到研究。
引用
@article{arxiv.1911.01081,
title = {Quantile regression: a penalization approach},
author = {Álvaro Méndez Civieta and M. Carmen Aguilera-Morillo and Rosa E. Lillo},
journal= {arXiv preprint arXiv:1911.01081},
year = {2019}
}
备注
9 figures, 5 tables