SCAD-penalisoitu regressio
SCAD (Smoothly Clipped Absolute Deviation) on Fanin ja Lin (2001) kehittämä muuttujien valinta- ja regularisointimenetelmä, joka ratkaisee L1-penalisaation (lasso) rajoituksia. SCAD käyttää ei-koveraa rangaistusfunktiota, joka suorittaa automaattisesti muuttujien valintaa säilyttäen samalla oraakkelin ominaisuudet: se palauttaa todellisen taustalla olevan mallin ikään kuin todelliset ennustajat olisivat tunnettuja etukäteen.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Smoothly Clipped Absolute Deviation Penalized Regression. ScholarGate. https://scholargate.app/fi/psychometrics/scad-penalized-regression
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Eksploratiivinen rakennemallinnusPsykometriikka↔ vertaa
- MCP-penalisoitu regressioPsykometriikka↔ vertaa
- MonimuuttujamallianalyysiPsykometriikka↔ vertaa
- Osittaisella pienimmän neliösumman rakenneyhtälömallinnus (PLS-SEM)Psykometriikka↔ vertaa
- RedundanssianalyysiPsykometriikka↔ vertaa
Tähän viittaavat
Similar methods
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →