MCP-penalisierte Regression
MCP (Minimax Concave Penalty) ist eine von Zhang (2010) entwickelte Methode zur Variablenselektion, die eine konkave Straffunktion für die automatisierte Merkmalsauswahl verwendet. Ähnlich wie SCAD begegnet MCP der Verzerrung im Lasso, indem es die Schrumpfung großer Koeffizienten vermeidet, verwendet jedoch eine andere Strafform, die rechnerisch einfacher ist als SCAD.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/de/psychometrics/mcp-penalized-regression
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Explorative StrukturgleichungsmodellierungPsychometrie↔ vergleichen
- Partial Least Squares StrukturgleichungsmodellierungPsychometrie↔ vergleichen
- RedundanzanalysePsychometrie↔ vergleichen
- SCAD-penalisierte RegressionPsychometrie↔ vergleichen
Referenziert von
Similar methods
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →