Latent structureVariable Selection

Régression pénalisée SCAD

SCAD (Smoothly Clipped Absolute Deviation) est une méthode de sélection et de régularisation de variables développée par Fan et Li (2001) qui aborde les limitations de la pénalisation L1 (lasso). SCAD utilise une pénalité non concave qui effectue automatiquement une sélection de variables tout en maintenant les propriétés d'oracle : elle récupère le modèle sous-jacent réel comme si les prédicteurs vrais étaient connus à l'avance.

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 SCAD

Modélisation Exploratoir…Régression pénalisée MCP Analyse Multi-Factorielle Modélisation par équatio…Analyse de Redondance

Sources

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 ↗

Comment citer cette page

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