Latent structureVariable Selection

Regressió amb penalització SCAD

SCAD (Smoothly Clipped Absolute Deviation) és un mètode de selecció de variables i regularització desenvolupat per Fan i Li (2001) que aborda les limitacions de la penalització L1 (lasso). SCAD utilitza una penalització no còncava que realitza automàticament la selecció de variables alhora que manté les propietats oracle: recupera el veritable model subjacent com si els predictors veritables es coneguessin per avançat.

Obre a MethodMindAviatApply, compare, get guidance

Tools & resources

Baixa les diapositives

Learn & explore

VídeoAviat

Llegeix el mètode complet

Només per a membres

Inicia la sessió amb un compte gratuït per llegir aquesta secció.

Inicia la sessió

Mapa de mètodes

El veïnat de mètodes relacionats — seleccioneu un node per explorar-lo.

Regressió amb penalització SCAD

Modelització Exploratòri…Regressió amb penalitzac…Anàlisi de Components Mú…Modelització d'equacions…Anàlisi de Redundància

Fonts

Fan, J., & Li, R. (2001). Variable selection via nonconcave penalized likelihood and its oracle properties. Journal of the American Statistical Association, 96(456), 1348-1360. DOI: 10.1198/016214501753382273 ↗
Zou, H., & Li, R. (2008). One-step sparse estimates in nonconcave penalized likelihood models. Annals of Statistics, 36(4), 1509-1533. DOI: 10.1214/009053607000000802 ↗
Wang, H., Li, G., & Tsai, C. L. (2007). Regression coefficient and autoregressive order shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 69(1), 63-78. DOI: 10.1111/j.1467-9868.2007.00577.x ↗

Com citar aquesta pàgina

ScholarGate. (2026, June 3). Smoothly Clipped Absolute Deviation Penalized Regression. ScholarGate. https://scholargate.app/ca/psychometrics/scad-penalized-regression

Quin mètode?

Poseu aquest mètode al costat dels seus parents més pròxims i llegiu-los de costat a costat — la biblioteca disposa els llibres sobre la taula; la tria és vostra.