发布日期: 09/18/2023

Image shown here估计方法的统计详细信息

在“拟合模型”平台的“广义回归”特质中,估计方法包括惩罚回归方法,这些方法通过赋予回归系数罚值给回归系数引入了偏倚。

Image shown here岭回归

在岭回归期间,回归系数应用了 l2 罚值。岭回归系数估计值定义如下:

Equation shown here,

其中,Equation shown herel2 罚值,l 是调节参数,N 是行数,p 是变量数。

Image shown hereDantzig 选择器

在 Dantzig 选择器计算期间,回归系数应用了 l 罚值。Dantzig 选择器的系数估计值满足以下准则:

Equation shown here

其中,Equation shown here 表示 l 范数,该范数是向量 v 的分量的最大绝对值。

Image shown hereLasso 回归

在 Lasso 期间,回归系数应用了 l1 罚值。Lasso 的系数估计值定义如下:

Equation shown here,

其中,Equation shown herel1 罚值,l 是调节参数,N 是行数,p 是变量数

Image shown here弹性网络

弹性网络组合 l1 l2 罚值。“弹性网络”的系数估计值定义如下:

Equation shown here,

这是等式中使用的符号:

Equation shown herel1 罚值

Equation shown herel2 罚值

l 是调节参数

a 是一个参数,用于确定 l1l2 罚值的组合值

N 是行数

p 是变量数

提示:有两个样本脚本,这两个脚本演示变动单个预测变量的弹性网络中的 al 的收缩影响。选择帮助 > 样本索引,点击打开样本脚本目录,然后选择 demoElasticNetAlphaLambda.jsldemoElasticNetAlphaLambda2.jsl。每个脚本都包含关于使用方法和演示内容的说明。

Image shown here自适应方法

自适应 Lasso 方法使用加权罚值来提供一致的系数估计值。l1 罚值的加权形式定义如下:

Equation shown here

其中,若 MLE 存在,则 Equation shown here 是 MLE。若 MLE 不存在并且响应分布为正态分布,则使用最小二乘法进行估计,而 Equation shown here 是使用广义逆矩阵求得的解。若响应分布非正态分布,则 Equation shown here 是岭解。

对于自适应 Lasso,这个加权形式的 l1 罚值用于确定 Equation shown here 系数。

自适应弹性网络使用这个加权形式的 l1 罚值,也应用 l2 罚值的加权形式。自适应弹性网络的 l2 罚值的加权形式定义如下:

Equation shown here

其中,若 MLE 存在,则 Equation shown here 是 MLE。若 MLE 不存在并且响应分布为正态分布,则使用最小二乘法进行估计,而 Equation shown here 是使用广义逆矩阵求得的解。若响应分布非正态分布,则 Equation shown here 是岭解。

需要更多信息?有问题?从 JMP 用户社区得到解答 (community.jmp.com).