เปรียบเทียบวิธี

	MCP Penalized Regression	การวิเคราะห์ความซ้ำซ้อน
สาขาวิชา	การวัดทางจิตวิทยา	การวัดทางจิตวิทยา
ตระกูล	Latent structure	Latent structure
ปีกำเนิด	2010	1977
ผู้ริเริ่ม	Cun-Hui Zhang	Albert van den Wollenberg
ประเภท	Penalized regression with minimax concave penalty	Asymmetric multivariate analysis
แหล่งต้นตำรับ	Zhang, C. H. (2010). Nearly unbiased variable selection under minimax concave penalty. Annals of Statistics, 38(2), 894-942.	van den Wollenberg, A. L. (1977). Redundancy analysis: An alternative for canonical correlation analysis. Psychometrika, 42(2), 207-219.
ชื่อเรียกอื่น	MCP	RDA
ที่เกี่ยวข้อง	4	5
สรุป	MCP (Minimax Concave Penalty) is a variable selection method developed by Zhang (2010) that uses a concave penalty function for automated feature selection. Like SCAD, MCP addresses bias in lasso by avoiding shrinkage of large coefficients, but uses a different penalty shape that is computationally simpler than SCAD.	Redundancy Analysis (RDA) is a multivariate technique developed by van den Wollenberg (1977) that combines multiple regression and principal component analysis. RDA finds linear combinations of predictor variables that best predict variation in response variables, making it ideal for understanding how sets of predictors collectively explain multivariate outcomes.