Modelling High-Dimensional Categorical Data using Nonconvex Fusion Penalties
利用非凸融合惩罚建模高维分类数据AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究分类解释变量的回归与系数融合，未明确涉及离散选择行为或其他所列方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用非凸融合惩罚建模高维分类数据
- 研究问题
- 在含名义分类解释变量的高维线性模型中，如何自动合并具有相同效应的类别水平，并兼顾非凸优化计算与统计恢复？
- 方法与思路
- 作者提出 SCOPE，对同一分类变量的有序系数差施加极小极大凹惩罚；单变量精确求解，多变量采用分块坐标下降。
- 材料陈述的贡献
- 摘要称单变量算法可高效求全局最小值；在水平充分分离时，利用真实融合结构的最小二乘解以高概率成为迭代极限点。
- 阅读关注点
- 应核对最小分离条件、单变量全局求解与多变量迭代保证的区别，以及线性模型理论能否延伸到摘要提到的逻辑回归版本。
- 阅读边界
- 仅据所给 Crossref 摘要；多变量极限点结论不等于全局最优保证，摘要未给出分离阈值，也未证明逻辑回归版本具有同样性质。
原文摘要
Abstract We propose a method for estimation in high-dimensional linear models with nominal categorical data. Our estimator, called SCOPE, fuses levels together by making their corresponding coefficients exactly equal. This is achieved using the minimax concave penalty on differences between the order statistics of the coefficients for a categorical variable, thereby clustering the coefficients. We provide an algorithm for exact and efficient computation of the global minimum of the resulting nonconvex objective in the case with a single variable with potentially many levels, and use this within a block coordinate descent procedure in the multivariate case. We show that an oracle least squares solution that exploits the unknown level fusions is a limit point of the coordinate descent with high probability, provided the true levels have a certain minimum separation; these conditions are known to be minimal in the univariate case. We demonstrate the favourable performance of SCOPE across a range of real and simulated datasets. An R package CatReg implementing SCOPE for linear models and also a version for logistic regression is available on CRAN.