Variable selection using MM algorithms
使用 MM 算法进行变量选择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：摘要聚焦通用惩罚似然优化与变量选择，未明确给出所列微观、宏观或金融方向的应用。
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
使用 MM 算法进行变量选择
- 研究问题
- 高维变量选择的惩罚似然可能不可微或非凹时，如何构造可计算的优化算法，并分析其收敛与标准误估计？
- 方法与思路
- 作者先轻微扰动惩罚函数使其可微，再用下界最大化的 MM 算法优化，并借鉴 EM 分析及 Newton–Raphson 结构。
- 材料陈述的贡献
- 摘要称，论文提出适用于广泛惩罚函数的算法，分析收敛终点及保证条件，并提出夹心标准误估计和数值检验。
- 阅读关注点
- 应核对扰动对稀疏解的影响、收敛终点的定义、保证收敛的条件，以及夹心标准误是否考虑变量选择带来的不确定性。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能将所述合意收敛点视为全局最优解；数值表现和标准误适用条件未详述。
原文摘要
Variable selection is fundamental to high-dimensional statistical modeling. Many variable selection techniques may be implemented by maximum penalized likelihood using various penalty functions. Optimizing the penalized likelihood function is often challenging because it may be nondifferentiable and/or nonconcave. This article proposes a new class of algorithms for finding a maximizer of the penalized likelihood for a broad class of penalty functions. These algorithms operate by perturbing the penalty function slightly to render it differentiable, then optimizing this differentiable function using a minorize-maximize (MM) algorithm. MM algorithms are useful extensions of the well-known class of EM algorithms, a fact that allows us to analyze the local and global convergence of the proposed algorithm using some of the techniques employed for EM algorithms. In particular, we prove that when our MM algorithms converge, they must converge to a desirable point; we also discuss conditions under which this convergence may be guaranteed. We exploit the Newton-Raphson-like aspect of these algorithms to propose a sandwich estimator for the standard errors of the estimators. Our method performs well in numerical tests.