Component-weighted sparse group LASSO for finite mixture regression models
有限混合回归模型的分量加权稀疏组 LASSOAI 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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：文本聚焦通用混合回归与稀疏变量选择，未提供足以对应指定经济计量细分领域的证据。
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…
有限混合回归模型的分量加权稀疏组 LASSO
- 研究问题
- 在潜在子群体具有不同回归系数时，如何同时剔除所有群体均无关的变量，以及仅在特定群体中无关的变量？
- 方法与思路
- 作者对指数族有限混合回归提出分量加权稀疏组 LASSO，并用 Majorization-Minimization 算法求解双层变量选择问题。
- 材料陈述的贡献
- 摘要称，该方法同时实现组层面与分量内的稀疏选择；高斯及泊松混合模拟显示稀疏结构恢复可靠，并提供两个数据应用。
- 阅读关注点
- 应核对分量权重和惩罚参数的定义、混合模型的可识别性、优化停止条件，以及模拟如何评价两层变量选择的表现。
- 阅读边界
- 材料为 arXiv 预印本，不能据此声称已同行评审或期刊接收。摘要未说明理论保证、具体模拟结果或应用数据细节。
原文摘要
When analyzing heterogeneous data with latent subpopulations, finite mixture regression (FMR) models are effective as they allow for variations in regression coefficients across mixture components. Variable selection is important at two levels: (1) at the group level by removing completely irrelevant covariates across all subpopulations and (2) at the individual level by removing irrelevant covariates within each subpopulation. However, existing variable selection methods for FMR focus solely on individual-level regression coefficient selection, providing no mechanism for group-level variable elimination. We introduce a component-weighted sparse group LASSO regularization method that performs efficient variable selection at both levels simultaneously in finite mixture regression models belonging to the exponential family. We develop a novel optimization procedure through a Majorization-Minimization algorithm. Simulation studies under Gaussian and Poisson mixture regression settings demonstrate reliable recovery of the true sparsity structure at both levels. The method is illustrated by analyzing two real datasets.