Latent structureVariable Selection

SCAD-penalisierte Regression

SCAD (Smoothly Clipped Absolute Deviation) ist eine Methode zur Variablenselektion und Regularisierung, die von Fan und Li (2001) entwickelt wurde und Einschränkungen der L1-Penalisierung (Lasso) adressiert. SCAD verwendet eine nicht-konkave Strafe, die automatisch eine Variablenselektion durchführt und gleichzeitig Oracle-Eigenschaften beibehält: Sie rekonstruiert das wahre zugrundeliegende Modell, als ob die wahren Prädiktoren im Voraus bekannt wären.

In MethodMind öffnenDemnächstApply, compare, get guidance

Tools & resources

Folien herunterladen

Learn & explore

VideoDemnächst

Die vollständige Methode lesen

Nur für Mitglieder

Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.

Anmelden

Methodenkarte

Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.

SCAD-penalisierte Regression

Explorative Strukturglei…MCP-penalisierte Regress…Multiple Faktorenanalyse Partial Least Squares St…Redundanzanalyse

Quellen

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 ↗

So zitieren Sie diese Seite

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