A differential-geometric approach to generalized linear models with grouped predictors
含分组预测变量的广义线性模型：微分几何方法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：摘要聚焦通用广义线性模型的组变量选择，未提供所列经济计量细分方向的直接证据。
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…
含分组预测变量的广义线性模型：微分几何方法
- 研究问题
- 广义线性模型中，如何依据变量分组实现稀疏选择，并让选择路径反映模型的不变性与组层面的得分统计信息？
- 方法与思路
- 作者将微分几何最小角回归扩展为组选择方法，依据组等角条件加入变量组，并构建使用 Kullback–Leibler 散度权重的自适应版本。
- 材料陈述的贡献
- 摘要称提供高效的解路径算法，揭示组等角条件与得分统计量的联系，并在预测变量数量固定时证明自适应方法的预言性质。
- 阅读关注点
- 应核对模型不变性、组等角条件与算法路径的具体定义，以及自适应权重如何计算，特别注意预言性质限定于固定预测变量数。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；算法细节和预言性质条件未说明，不能据此推广到维度增长情形或认定普遍优于组 lasso。
原文摘要
We propose an extension of the differential-geometric least angle regression method to perform sparse group inference in a generalized linear model. An efficient algorithm is proposed to compute the solution curve. The proposed group differential-geometric least angle regression method has important properties that distinguish it from the group lasso. First, its solution curve is based on the invariance properties of a generalized linear model. Second, it adds groups of variables based on a group equiangularity condition, which is shown to be related to score statistics. An adaptive version, which includes weights based on the Kullback–Leibler divergence, improves its variable selection features and is shown to have oracle properties when the number of predictors is fixed.