رگرسیون مقیدشده SCAD
SCAD (انحراف مطلق با برش هموار) روشی برای انتخاب متغیر و تنظیم (regularization) است که توسط Fan و Li (2001) توسعه یافته و به محدودیتهای جریمه L1 (lasso) میپردازد. SCAD از یک جریمه غیرمقعر استفاده میکند که به طور خودکار انتخاب متغیر را انجام میدهد و در عین حال خواص اوراکل را حفظ میکند: مدل واقعی زیربنایی را به گونهای بازیابی میکند که گویی پیشبینیکنندههای واقعی از قبل شناخته شده بودند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Smoothly Clipped Absolute Deviation Penalized Regression. ScholarGate. https://scholargate.app/fa/psychometrics/scad-penalized-regression
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- مدلسازی معادلات ساختاری اکتشافیروانسنجی↔ مقایسه
- رگرسیون جریمهای MCPروانسنجی↔ مقایسه
- تحلیل چند متغیرهروانسنجی↔ مقایسه
- مدلسازی معادلات ساختاری حداقل مربعات جزئیروانسنجی↔ مقایسه
- تحلیل افزونگیروانسنجی↔ مقایسه
ارجاعشده در
Similar methods
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →