Max-linear regression models with regularization
带正则化的最大线性回归模型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：摘要介绍通用回归与高维正则化方法，未明确足以支持具体领域细分的应用对象。
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…
带正则化的最大线性回归模型
- 研究问题
- 能否构建包含线性关系为特例、同时保留解释便利性的最大线性回归，并通过正则化处理高维预测变量？
- 方法与思路
- 作者提出最大线性回归类，使用基于 EM 算法的最大似然估计，并引入高维回归中的正则化策略处理较多预测变量。
- 材料陈述的贡献
- 摘要称证明了参数估计的一致性与渐近性质，并在模拟及计量、商业应用中报告相对普通回归和若干机器学习方法的预测改善。
- 阅读关注点
- 应核对最大线性关系的定义、似然与 EM 算法的收敛性质、正则化选择方法，以及预测比较的调参与样本划分是否一致。
- 阅读边界
- 摘要未说明模型分布条件、正则化形式、应用对象或预测增益数值；其预测优势只能视为作者对所考察案例的报告。
原文摘要
Motivated by the newly developed max-linear competing copula factor models and max-stable nonlinear time series models, we propose a new class of max-linear regression models to take advantages of easy interpretable features embedded in linear regression models. It can be seen that linear relation is a special case of max-linear relation. We develop an EM algorithm based maximum likelihood estimation procedure. The consistency and asymptotics of the estimators for parameters are proved. To advance max-linear models to deal with high dimensional predictors, we adopt the common strategy of regularization in the high dimensional regression literature. We demonstrate the broad applicability of max-linear models using simulation examples and real applications in econometric and business modeling. The results, in terms of predictability, show a significant improvement compared with solely using regular regression models and other existing machine learning methods. The results enhance our understanding of the relationship between the response variable and the predictors, and among the predictors as well.