การถดถอยแบบลงโทษด้วย SCAD
SCAD (Smoothly Clipped Absolute Deviation) เป็นวิธีการเลือกตัวแปรและการทำให้เป็นปกติ (regularization) ที่พัฒนาโดย Fan และ Li (2001) ซึ่งแก้ไขข้อจำกัดของการลงโทษแบบ L1 (lasso) SCAD ใช้การลงโทษที่ไม่เว้า (non-concave penalty) ซึ่งทำการเลือกตัวแปรโดยอัตโนมัติในขณะที่รักษาคุณสมบัติแบบออราเคิล (oracle properties): มันสามารถกู้คืนแบบจำลองที่แท้จริงได้ราวกับว่าตัวทำนายที่แท้จริงเป็นที่ทราบล่วงหน้า
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Smoothly Clipped Absolute Deviation Penalized Regression. ScholarGate. https://scholargate.app/th/psychometrics/scad-penalized-regression
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การสร้างสมการโครงสร้างเชิงสำรวจการวัดทางจิตวิทยา↔ เปรียบเทียบ
- MCP Penalized Regressionการวัดทางจิตวิทยา↔ เปรียบเทียบ
- การวิเคราะห์ปัจจัยพหุการวัดทางจิตวิทยา↔ เปรียบเทียบ
- การสร้างสมการโครงสร้างกำลังสองน้อยที่สุดกำลังสองบางส่วนการวัดทางจิตวิทยา↔ เปรียบเทียบ
- การวิเคราะห์ความซ้ำซ้อนการวัดทางจิตวิทยา↔ เปรียบเทียบ