Latent structureVariable Selection
MCP惩罚回归
MCP（Minimax Concave Penalty，极小极大凹函数惩罚）是由Zhang (2010) 开发的一种变量选择方法，它使用凹函数惩罚来实现自动特征选择。与SCAD类似，MCP通过避免对大系数进行收缩来解决Lasso的估计偏差问题，但其惩罚函数形状不同，计算上比SCAD更简单。
在 MethodMind 中打开即将推出Apply, compare, get guidance
Tools & resources
Learn & explore
视频即将推出
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- 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 ↗
如何引用本页
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/zh/psychometrics/mcp-penalized-regression
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
并排比较 →