Model Selection and Estimation in Regression with Grouped Variables
分组变量回归中的模型选择与估计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：摘要中的因素指成组回归变量，未涉及宏观或金融潜在因子模型，也无其他细分的充分依据。
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…
分组变量回归中的模型选择与估计
- 研究问题
- 当解释变量以组或因素形式进入回归时，如何以估计和预测精度为目标选择整组变量，并比较不同组选择方法的表现？
- 方法与思路
- 作者将 lasso、LARS 和非负 garrotte 扩展到因素选择，研究高效算法及方法间的异同，并用模拟和实例进行比较。
- 材料陈述的贡献
- 摘要称这些扩展在因素选择问题中比传统逐步后向剔除表现更好，同时提供算法及不同方法之间的比较与示例。
- 阅读关注点
- 应核对组惩罚与组尺度处理、算法求解目标、调参方式，以及相对后向剔除的比较采用何种误差指标和设计条件。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未列出比较数值和适用条件，所述优势不能推广至所有组结构；这里的因素不等同于潜在因子。
原文摘要
Summary We consider the problem of selecting grouped variables (factors) for accurate prediction in regression. Such a problem arises naturally in many practical situations with the multifactor analysis-of-variance problem as the most important and well-known example. Instead of selecting factors by stepwise backward elimination, we focus on the accuracy of estimation and consider extensions of the lasso, the LARS algorithm and the non-negative garrotte for factor selection. The lasso, the LARS algorithm and the non-negative garrotte are recently proposed regression methods that can be used to select individual variables. We study and propose efficient algorithms for the extensions of these methods for factor selection and show that these extensions give superior performance to the traditional stepwise backward elimination method in factor selection problems. We study the similarities and the differences between these methods. Simulations and real examples are used to illustrate the methods.