Latent structureVariable Selection

Regresi Terpenaliti SCAD

SCAD (Smoothly Clipped Absolute Deviation) ialah kaedah pemilihan pemboleh ubah dan penregularan yang dibangunkan oleh Fan dan Li (2001) yang menangani keterbatasan penalti L1 (lasso). SCAD menggunakan penalti tidak cekung yang secara automatik melakukan pemilihan pemboleh ubah sambil mengekalkan sifat-sifat oracle: ia memulihkan model sebenar yang mendasari seolah-olah peramal sebenar diketahui lebih awal.

Buka dalam MethodMindTidak lama lagiApply, compare, get guidance

Tools & resources

Muat turun slaid

Learn & explore

VideoTidak lama lagi

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Peta kaedah

Kejiranan kaedah berkaitan — pilih satu nod untuk meneroka.

Regresi Terpenaliti SCAD

Pemodelan Persamaan Stru…Regresi Terpenalti MCP Analisis Faktor Pelbagai Pemodelan Persamaan Stru…Analisis Kerelatifan

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 memetik halaman ini

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

Kaedah yang mana?

Letakkan kaedah ini di sebelah kaedah yang paling rapat dengannya dan baca secara bersebelahan — perpustakaan menyusun buku di atas meja; pilihan terletak pada anda.