MCP-straffad regression
MCP (Minimax Concave Penalty) är en variabelselektionsmetod utvecklad av Zhang (2010) som använder en konkav straffunktion för automatisk funktionsselektion. I likhet med SCAD åtgärdar MCP bias i lasso genom att undvika krympning av stora koefficienter, men använder en annorlunda straffunktionsform som är beräkningsmässigt enklare än SCAD.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/sv/psychometrics/mcp-penalized-regression
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Explorativ strukturell ekvationsmodelleringPsykometri↔ jämför
- Partial Least Squares Structural Equation ModelingPsykometri↔ jämför
- RedundansanalysPsykometri↔ jämför
- SCAD-reglerad regressionPsykometri↔ jämför
Refereras av
Similar methods
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →