次序L1惩罚估计在高维数据分析中的应用

摘要：

针对变量选择问题,采用次序L1惩罚估计(SLOPE)方法,在一般稀疏回归模型中进行变量选择,并与LASSO方法进行比较.模拟研究结果表明:SLOPE方法可以在控制错误发现率(FDR)的同时,适应数据的稀疏性,提高预测准确率,验证了模型选择正确率及方法的有效性.

关键词：稀疏回归、变量选择、错误发现率、次序L1惩罚估计(SLOPE)

所属期刊栏目：30

分类号：TP311.13(计算技术、计算机技术)

资助基金：国家自然科学基金面上项目11771332

在线出版日期：2020-10-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：42-46