Latent structureVariable Selection
انحدار MCP المعاقب
تُعدّ طريقة MCP (Minimax Concave Penalty) إحدى طرق اختيار المتغيرات التي طوّرها Zhang (2010)، وتستخدم دالة عقوبة مقعرة لاختيار السمات تلقائيًا. على غرار طريقة SCAD، تعالج MCP التحيز في طريقة lasso عن طريق تجنب تقليص المعاملات الكبيرة، ولكنها تستخدم شكل عقوبة مختلفًا أبسط حسابيًا من SCAD.
افتح في MethodMindقريبًاApply, compare, get guidance
Tools & resources
Learn & explore
فيديوقريبًا
اقرأ الطريقة كاملة
للأعضاء فقط
تسجيل الدخولسجّل الدخول بحساب مجاني لقراءة هذا القسم.
خريطة المناهج
محيط المناهج ذات الصلة — اختر عقدةً للاستكشاف.
المصادر
- Zhang, C. H. (2010). Nearly unbiased variable selection under minimax concave penalty. Annals of Statistics, 38(2), 894-942. DOI: 10.1214/09-AOS729 ↗
- Breheny, P., & Huang, J. (2011). Coordinate descent algorithms for nonconvex penalized regression. Annals of Applied Statistics, 5(1), 232-253. link ↗
- Zhang, C. H., & Zhang, T. (2012). A general theory of concave regularized M-estimators. Statistical Science, 27(4), 506-537. link ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/ar/psychometrics/mcp-penalized-regression
أيُّ منهج؟
ضع هذا المنهج إلى جانب أقرب نظائره واقرأهما جنباً إلى جنب — المكتبة تضع الكتب على الطاولة، والاختيار لك.
- نمذجة المعادلات البنائية الاستكشافيةالقياس النفسي↔ قارن
- نمذجة المعادلات الهيكلية بالحد الأدنى من المربعات الجزئيةالقياس النفسي↔ قارن
- تحليل التكرارالقياس النفسي↔ قارن
- انحدار SCAD المُعاقَب (SCAD Penalized Regression)القياس النفسي↔ قارن