“模型启动”控制面板

通过惩罚回归系数的绝对值加权之和来计算参数估计值。l1 罚值权重由数据决定以保证 Oracle 性质 (Zou, 2006)。该选项使用 MLE 来衡量 l1 惩罚的权重。若预测变量数超过观测数或者预测变量之间存在严格的线性依赖关系，则无法计算 MLE。若无法计算回归参数的 MLE，则将广义逆矩阵解或岭解用于 l1 罚值权重。请参见自适应方法。

弹性网络

通过同时应用 l1 罚值和 l2 罚值来计算参数估计值。l1 罚值确保执行变量选择。l2 罚值通过像岭方法那样收缩系数来改进预测能力。

自适应弹性网络

使用自适应 l1 罚值以及 l2 罚值来计算参数估计值。该选项使用 MLE 来衡量 l1 惩罚的权重。若预测变量数超过观测数或者预测变量之间存在严格的线性依赖关系，则无法计算 MLE。若无法计算回归参数的 MLE，则将广义逆矩阵解或岭解用于 l1 罚值权重。您可以在“高级控件”面板中设置“弹性网络 Alpha”的值。请参见自适应方法。

注意：若您选择弹性网络拟合并将“弹性网络 Alpha”设置为缺失，则算法按如下顺序计算拟合：Lasso、弹性网络和岭拟合。若拟合要用很长时间才完成，将显示一个进度条。当您点击“接受当前估计值”时，计算将停止，报告的参数估计值将对应于此时的最佳模型拟合。进度条指示算法拟合 Lasso、弹性网络和岭的时间。您可以使用该信息来决定何时点击“接受当前估计值”。

双 Lasso

在两个阶段中计算参数估计值。在第一阶段中，拟合 Lasso 模型以确定要用在第二阶段中的项。在第二阶段中，使用第一阶段中的项拟合 Lasso 模型。显示的“解路径”结果和参数估计值报表均针对第二阶段拟合。若在第一阶段中没有任何变量进入模型，则不会出现第二阶段，报表中将显示第一阶段的结果。

双 Lasso 在观测数小于预测变量数时尤其有用。通过将变量选择和收缩运算细分为两个阶段，第二阶段中的 Lasso 就不太可能过度惩罚应包含在模型中的项。双 Lasso 类似于松弛 Lasso，后者在 Hastie et al. (2009) 中说明。

自适应双 Lasso

在两个阶段中计算参数估计值。在第一阶段中，拟合 Lasso 模型以确定要用在第二阶段中的项。在第二阶段中，使用第一阶段中的项拟合自适应 Lasso 模型。第二阶段仅考虑包含在第一阶段模型中的项。显示的结果针对第二阶段拟合。若在第一阶段中没有任何变量进入模型，则不会出现第二阶段，报表中将显示第一阶段的结果。请参见自适应方法。

两阶段向前选择

（仅当模型中有二阶或高阶效应时才可用。）在两个阶段中计算参数估计值。在第一阶段中，针对主效应运行向前逐步回归模型以确定保留在模型中的项。在第二阶段中，针对完全由第一阶段中选定的主效应构成的所有高阶效应运行向前逐步回归模型。该方法假定存在强效应遗传。

未保留在第一阶段中的项仍作为清零项显示在“参数估计值”报表中，但是在第二阶段模型中忽略这些项。在第一阶段中选定的项不强制进入第二阶段；这些项可供在第二阶段中选择。

高级控件

使用“高级控件”选项可以调整模型拟合过程的各个方面。很多控件与调节参数的网格有关。

调节参数

Lasso 和岭估计方法的解路径取决于一个调节参数。弹性网络的解路径取决于针对似然罚值以及弹性网络 Alpha 的调节参数。弹性网络的似然罚值是与 Lasso 和岭估计方法关联的罚值的加权求和。“弹性网络 Alpha”决定这两个罚值的权重。请参见估计方法的统计详细信息和高级控件的统计详细信息。

调节参数为零时，不惩罚解，得到最大似然估计值。调节参数增大时，罚值增大。

解为一组参数估计值，它使惩罚似然相对所选验证方法最小化。当前解在“解路径”图中用红色垂直实线标明。

注意：当“解路径”图中的“统一尺度的参数估计值量值”减小时，调节参数的值增大。接近 MLE 的估计值与大的量值关联，被严重惩罚的估计值则与小的量值关联。

请注意以下事项：

•	调节参数太小时，数据通常过拟合，生成方差很高的模型。

•	若调节参数太大，则数据通常拟合不足。

调节参数网格

要得到一个解，请在细网格上增大调节参数。

•	对于 Lasso、指定了“弹性网络 Alpha”的弹性网络以及岭，给出解的调节参数值是在调节参数网格上提供最佳拟合的值。

注意：默认情况下，“弹性网络 Alpha”设置为 0.9。

•	若您未设置“弹性网络 Alpha”的值，则 alpha 的值也将在细网格上增大。对于固定的调节参数值，alpha 将不断变化，直到连续 10 个 alpha 值无法改进由验证方法决定的最佳拟合为止。对调节参数值的整个网格重复该过程。调节参数和 alpha 的最终值是在调节参数网格上提供最佳拟合的值。

调节参数值的网格范围从零（大多数情况）到使所有非截距项为零的最小值。定义使所有非截距项为零的调节参数的最小值为其上限。调节参数的下限为零，但是在以下两种情况下它设置为 0.01：

•	若设计矩阵是奇异的，则无法计算最大似然估计值。下限 0.01 允许计算接近 MLE 的估计值。

•	若选定的分布为二项分布，则下限 0.01 帮助阻止分离。

“高级控件”选项

强制效应遗传

要求低阶效应在相关的高阶效应前进入模型。在多数情况下，这意味着 X2 不在模型中，除非 X 在模型中。对于“向前选择”之外的估计方法，有可能 X2 进入模型而在同一步中 X 离开模型。若数据表包含实验设计脚本，则启用该选项，但是默认情况下它是关闭的。

弹性网络 Alpha

设置弹性网络的 α 参数。该 α 参数确定用于估计弹性网络系数的 l1 和 l2 罚值调节参数的组合值。默认值为 α = 0.9 ，它设置 l1 罚值的系数为 0.9，设置 l2 罚值的系数为 0.1。仅当选择“弹性网络”作为“估计方法”时，该选项才可用。请参见估计方法的统计详细信息。

网格点数目

指定调节参数的下限和上限之间的网格点数目。在每个网格点值处，都获得这一调节参数值的参数估计值。默认值为 150 个网格点。

最小罚值率

指示调节参数的下限与上限之比的最小值。调节参数的下限为 0 时，解提供 MLE。在您不想包括 MLE 或很接近它的解的情况下，可以将“最小罚值率”设置为非零值。对于双 Lasso 估计方法，该选项的指定值仅用在拟合的第一阶段中。

网格尺度

提供用于选择网格尺度的分布的选项。您可以选择线性、平方根或对数尺度。与指定的网格点数数量相等的网格点将根据调节参数下限和上限之间的选定尺度来分布。请参见高级控件的统计详细信息。

第一阶段解

提供选项，用于选择双 Lasso 和两阶段向前选择的第一阶段中的解。默认情况下，根据指定的验证方法被视为最佳拟合的解将被选定，并且是最初显示的解（最佳拟合）。您可以选择最初显示一些模型，这些模型位于绿色或黄色区域中具有更大或更小 l1 范数值。例如，若您选择“黄色区域中最小”，最初显示的解将是黄色区域中具有最小 l1 范数的模型。请参见可比模型区域。

最初显示的解

提供的选项用于选择解，该解最初显示为“解路径”报表中的当前模型。当前模型通过一条垂直实线来标识。请参见当前模型指示符。最佳拟合解通过垂直虚线来标识。默认情况下，显示的解是根据指定的验证方法被视为最佳拟合的解。

您可以选择最初显示一些模型，这些模型位于绿色或黄色区域中具有更大或更小 l1 范数值。例如，若您选择“黄色区域中最小”，最初显示的解将是黄色区域中具有最小 l1 范数的模型。请参见可比模型区域。

强制项

允许您选择要将哪些项（若有）强制包括在模型中。强制包括在模型中的项不包括在罚值中。

“验证方法”选项

以下方法可用于模型拟合的验证：

注意：唯一可用于“分位数回归”的验证方法为“无”。可用于“最大似然”估计方法的验证方法只有“无”和“验证列”。可用于“Cox 比例风险”的验证方法只有 BIC、AICc 和“无”。

K 重

对于调节参数的每个值，都将执行以下步骤：

‒	观测划分到 k 个子集或重中。

‒	每一重都轮流用作一个验证集。针对不含在“重”中的观测拟合模型。针对“重”中的观测计算基于该模型的对数似然，同时提供验证对数似然。

‒	计算 k 重的验证对数似然的均值。该值充当调节参数值的验证对数似然。

具有最大验证对数似然的调节参数的值用于构造最终解。要获取最终模型，将对整个数据集拟合从调节参数最优值得到的全部 k 个模型。在这些模型中，具有最高的验证对数似然的模型将被选为最终模型。用于该最终模型的训练集将被指定为训练集，并且该模型的“维持”重是验证集。这些就是在最终解的图中和报表结果中使用的训练集和验证集。

保留

随机选择指定比例的数据用于验证集，并使用数据的其他部分来拟合模型。最终解是将验证集的负对数似然最小化的解。该方法对于大数据集很有用。

留一法

执行留一法交叉验证。这等价于 K 重，其折数等于行数。该选项不应在中等或大数据集中使用。即使中等数量的观测值，它也可能需要很长的处理时间。将按照对 K 重验证那样来确定最终解的图中和报表结果中使用的训练集和（一行）验证集。

BIC

使解路径上的 Bayesian 信息准则 (BIC) 最小化。有关更多详细信息，请参见似然、AICc 和 BIC。

AICc

使解路径上的校正的 Akaike 信息准则 (AICc) 最小化。AICc 是“验证方法”的默认设置。有关更多详细信息，请参见似然、AICc 和 BIC。

注意：当参数数目接近或超过样本大小时不定义 AICc。

ERIC

使解路径上的扩展正则信息准则 (ERIC) 最小化。请参见模型拟合详细信息。仅可用于指数系列分布以及 Lasso 和自适应 Lasso 估计方法。

无

不使用验证。仅可用于“最大似然估计方法”和“分位数回归”。

验证列

使用在“拟合模型”窗口中指定的列作为具有“验证”角色。最终解是将验证集的负对数似然最小化的解。当指定的分布为“分位数回归”或“Cox 比例风险”时，该选项不可用。

提前停止

“提前停止”添加一个提前停止规则：

•	对于“向前选择”，当在模型中添加变量的 10 个连续步骤无法改进验证测度时，该算法终止。解是这 10 个连续步骤的前一个步骤所得的模型。

•	对于 Lasso、弹性网络和岭，当调节参数的 10 个连续值无法改进由验证方法决定的最佳拟合时，该算法终止。解是对应于在 10 个连续值之前的调节参数值的估计值。

注意：对于 AICc 和 BIC 验证方法，在至少四个预测变量进入模型前不会提前停止。

执行

点击执行时，将打开一个报表。报表的标题指定您选择的拟合和验证方法。您可以返回“模型启动”控制面板来执行更多分析和选择其他估计和验证方法。