Latent structureVariable Selection

Régression pénalisée MCP

MCP (Minimax Concave Penalty) est une méthode de sélection de variables développée par Zhang (2010) qui utilise une fonction de pénalité concave pour la sélection automatique de caractéristiques. Comme SCAD, MCP corrige le biais du lasso en évitant la contraction des grands coefficients, mais utilise une forme de pénalité différente qui est plus simple à calculer que SCAD.

Ouvrir dans MethodMindBientôtApply, compare, get guidance

Tools & resources

Télécharger les diapositives

Learn & explore

VidéoBientôt

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Carte des méthodes

Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.

Régression pénalisée MCP

Modélisation Exploratoir…Modélisation par équatio…Analyse de Redondance Régression pénalisée SCAD

Sources

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 ↗

Comment citer cette page

ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/fr/psychometrics/mcp-penalized-regression

Quelle méthode ?

Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.