MCP penalizētā regresija
MCP (Minimax Concave Penalty) ir mainīgo atlases metode, ko izstrādājis Zhang (2010), kura izmanto konkāvu (ieliektu) soda funkciju automātiskai neatkarīgo mainīgo atlasei. Līdzīgi kā SCAD, MCP novērš koeficientu izplešanās (shrinkage) radīto neobjektivitāti, izvairoties no lielo koeficientu izplešanās, taču izmanto atšķirīgu soda formu, kas ir aprēķinami vienkāršāka nekā SCAD.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/lv/psychometrics/mcp-penalized-regression
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Eksploratīvā strukturālā vienādojumu modelēšanaPsihometrija↔ salīdzināt
- Daļējo mazāko kvadrātu strukturālo vienādojumu modelēšanaPsihometrija↔ salīdzināt
- Redundancy AnalysisPsihometrija↔ salīdzināt
- SCAD penalizētā regresijaPsihometrija↔ salīdzināt
Uz to atsaucas
Similar methods
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →