A Likelihood-Based Approach for Multivariate Categorical Response Regression in High Dimensions
高维多变量类别响应回归的似然方法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：摘要直接研究双变量及多变量离散类别响应回归，对应离散响应建模方向，未提供行为选择解释。
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…
关注这篇论文的作者
高维多变量类别响应回归的似然方法
- 研究问题
- 高维类别响应回归中，如何区分无关预测变量、只影响边际分布的变量，以及同时影响边际分布与响应关联的变量？
- 方法与思路
- 作者提出双变量类别响应的惩罚似然估计与一阶算法，扩展至部分响应缺测的半监督设置，并提出多变量推广。
- 材料陈述的贡献
- 摘要称给出高维渐近误差界，通过模拟和泛癌风险预测展示解释性与预测准确性，并提供实现方法的 R 包。
- 阅读关注点
- 应核对惩罚如何区分边际与关联效应、误差界的维度和稀疏条件，以及部分响应缺测机制与多变量推广细节。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；未说明误差界条件、预测提升幅度或缺测假设，所述软件的可用性亦未经核验。
原文摘要
We propose a penalized likelihood method to fit the bivariate categorical response regression model. Our method allows practitioners to estimate which predictors are irrelevant, which predictors only affect the marginal distributions of the bivariate response, and which predictors affect both the marginal distributions and log odds ratios. To compute our estimator, we propose an efficient first order algorithm which we extend to settings where some subjects have only one response variable measured, i.e., the semi-supervised setting. We derive an asymptotic error bound which illustrates the performance of our estimator in high-dimensional settings. Generalizations to the multivariate categorical response regression model are proposed. Finally, simulation studies and an application in pan-cancer risk prediction demonstrate the usefulness of our method in terms of interpretability and prediction accuracy. An R package implementing the proposed method is available for download at github.com/ajmolstad/BvCategorical.