Regresi Terpenalti SCAD
SCAD (Smoothly Clipped Absolute Deviation) adalah metode seleksi variabel dan regularisasi yang dikembangkan oleh Fan dan Li (2001) yang mengatasi keterbatasan penal L1 (lasso). SCAD menggunakan penalti non-konkaf yang secara otomatis melakukan seleksi variabel sambil mempertahankan properti oracle: metode ini memulihkan model yang mendasarinya seolah-olah prediktor sebenarnya diketahui sebelumnya.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Smoothly Clipped Absolute Deviation Penalized Regression. ScholarGate. https://scholargate.app/id/psychometrics/scad-penalized-regression
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Pemodelan Persamaan Struktural EksploratoriPsikometri↔ bandingkan
- Regresi Penalitas MCPPsikometri↔ bandingkan
- Analisis Faktor GandaPsikometri↔ bandingkan
- Pemodelan Persamaan Struktural Partial Least SquaresPsikometri↔ bandingkan
- Analisis RedundansiPsikometri↔ bandingkan
Dirujuk oleh
Similar methods
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →