Regressão Penalizada MCP
MCP (Minimax Concave Penalty) é um método de seleção de variáveis desenvolvido por Zhang (2010) que utiliza uma função de penalidade côncava para seleção automática de características. Assim como SCAD, MCP aborda o viés do lasso ao evitar o encolhimento de coeficientes grandes, mas usa uma forma de penalidade diferente que é computacionalmente mais simples que SCAD.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Mapa de métodos
A vizinhança de métodos relacionados — selecione um nó para explorar.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/pt/psychometrics/mcp-penalized-regression
Qual método?
Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.
- Modelagem Exploratória de Equações EstruturaisPsicometria↔ comparar
- Modelagem de Equações Estruturais por Mínimos Quadrados ParciaisPsicometria↔ comparar
- Análise de RedundânciaPsicometria↔ comparar
- Regressão Penalizada SCADPsicometria↔ comparar
Referenciado por
Similar methods
Encontrou um problema nesta página? Relate ou sugira uma correção →