Variable Selection in Finite Mixture of Regression Models
有限混合回归模型中的变量选择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：摘要研究一般有限混合回归的变量选择，未涉及经济结构参数、离散选择行为或处理效应，故不据混合模型名称推断领域。
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
有限混合回归模型中的变量选择
- 研究问题
- 有限混合回归中，同一协变量对不同混合成分的贡献可能不同，如何在协变量和成分较多时进行可计算的变量选择？
- 方法与思路
- 作者提出惩罚似然方法，惩罚同时依赖回归系数大小和混合结构，并开发数据自适应调参方法及用于数值计算的 EM 算法。
- 材料陈述的贡献
- 摘要称方法具有变量选择一致性；模拟显示其表现良好且比已有方法节省计算，并通过两个真实数据集展示应用。
- 阅读关注点
- 阅读全文时应核对惩罚如何体现混合结构、选择一致性的条件，以及 EM 的初始化、收敛和计算比较采用的具体基准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出成分识别条件、调参规则和计算数值，不能认定 EM 总能达到全局最优。
原文摘要
In the applications of finite mixture of regression (FMR) models, often many covariates are used, and their contributions to the response variable vary from one component to another of the mixture model. This creates a complex variable selection problem. Existing methods, such as the Akaike information criterion and the Bayes information criterion, are computationally expensive as the number of covariates and components in the mixture model increases. In this article we introduce a penalized likelihood approach for variable selection in FMR models. The new method introduces penalties that depend on the size of the regression coefficients and the mixture structure. The new method is shown to be consistent for variable selection. A data-adaptive method for selecting tuning parameters and an EM algorithm for efficient numerical computations are developed. Simulations show that the method performs very well and requires much less computing power than existing methods. The new method is illustrated by analyzing two real data sets.