Latent structureVariable Selection

SCAD-szabályozott regresszió

A SCAD (Smoothly Clipped Absolute Deviation, azaz simán vágott abszolút eltérés) egy változóválasztási és regularizációs módszer, amelyet Fan és Li (2001) fejlesztett ki az L1-regularizáció (lasso) korlátainak orvoslására. A SCAD nemkonkáv büntetést alkalmaz, amely automatikusan elvégzi a változóválasztást, miközben megőrzi az ún. oracle tulajdonságokat: képes visszaállítani az igaz underlying modellt, mintha az igaz prediktorok előre ismertek lettek volna.

Megnyitás itt: MethodMindHamarosanApply, compare, get guidance

Tools & resources

Diák letöltése

Learn & explore

VideóHamarosan

A teljes módszer elolvasása

Csak tagoknak

Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.

Bejelentkezés

Módszertérkép

A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.

SCAD-szabályozott regresszió

Exploratory Structural E…MCP penalizált regresszió Többváltozós faktoranalí…Részleges Legkisebb Négy…Redundancy Analysis

Források

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 ↗

Hogyan hivatkozzon erre az oldalra

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

Melyik módszer?

Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.