Robust Linear Model Selection Based on Least Angle Regression
基于最小角回归的稳健线性模型选择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：摘要讨论一般线性预测和异常值下的变量选择，没有明确对应所列领域细分。
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…
基于最小角回归的稳健线性模型选择
- 研究问题
- 候选预测变量很多且数据含难以识别的异常值时，如何兼顾计算扩展性和稳健性，建立面向非异常样本的预测模型？
- 方法与思路
- 作者提出两条稳健化路径：以稳健相关估计替换 LARS 中的经典相关量，或先用多元缩尾处理异常值再运行 LARS。
- 材料陈述的贡献
- 摘要称替换相关量的方案计算高效且可扩展，自助法能够稳定结果，并建议用其排序预测变量以形成进一步选模的候选集。
- 阅读关注点
- 应核对稳健相关量与多元缩尾的定义、自助法稳定排序的机制，以及异常值比例和类型如何影响预测与变量筛选。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；不能推断其他版本变化。摘要未说明理论保证及数值幅度，其预测目标主要是非异常样本。
原文摘要
In this article we consider the problem of building a linear prediction model when the number of candidate predictors is large and the data possibly contain anomalies that are difficult to visualize and clean. We want to predict the nonoutlying cases; therefore, we need a method that is simultaneously robust and scalable. We consider the stepwise least angle regression (LARS) algorithm which is computationally very efficient but sensitive to outliers. We introduce two different approaches to robustify LARS. The plug-in approach replaces the classical correlations in LARS by robust correlation estimates. The cleaning approach first transforms the data set by shrinking the outliers toward the bulk of the data (which we call multivariate Winsorization) and then applies LARS to the transformed data. We show that the plug-in approach is time-efficient and scalable and that the bootstrap can be used to stabilize its results. We recommend using bootstrapped robustified LARS to sequence a number of candidate predictors to form a reduced set from which a more refined model can be selected.