Regresión Penalizada MCP
MCP (Minimax Concave Penalty) es un método de selección de variables desarrollado por Zhang (2010) que utiliza una función de penalización cóncava para la selección automatizada de características. Al igual que SCAD, MCP aborda el sesgo en lasso evitando la contracción de coeficientes grandes, pero utiliza una forma de penalización diferente que es computacionalmente más simple que SCAD.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/es/psychometrics/mcp-penalized-regression
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Modelado de Ecuaciones Estructurales ExploratorioPsicometría↔ comparar
- Modelado de Ecuaciones Estructurales por Mínimos Cuadrados ParcialesPsicometría↔ comparar
- Análisis de RedundanciaPsicometría↔ comparar
- Regresión Penalizada SCADPsicometría↔ comparar
Citado por
Similar methods
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →