高维广义线性模型的拟似然自适应Lasso估计

高维广义线性模型的拟似然自适应Lasso估计

陈 夏*, 崔 艳

【摘 要】 利用惩罚拟似然方法，讨论高维广义线性模型的拟似然自适应Lasso估计。该方法能同时进行变量选择和参数估计。在适当的条件下，证明了所得估计的相合性和Oracle性质，并利用数据模拟和实例分析说明了所提方法的优良性质。

【期刊名称】陕西师范大学学报（自然科学版） 【年(卷),期】2019(047)002 【总页数】9

【关键词】关键词: 广义线性模型；惩罚拟似然；变量选择；Oracle性质 引用格式：陈夏，崔艳.高维广义线性模型的拟似然自适应Lasso估计[J].陕西师范大学学报(自然科学版)，2019，47(2)：1-9.[CHEN X, CUI Y.Quasi-likelihood adaptive Lasso estimators for high-dimensional generalized linear models[J].Journal of Shaanxi Normal University (Natural Science Edition), 2019，47(2)：1-9.]

基金项目： 教育部人文社会科学研究青年基金(18YJC910003) MR subject classification: 62J12

近年来,高维数据分析广泛应用于各个领域，如生物学、医学、金融分析和风险控制等。而变量选择在高维数据分析中发挥着重要作用。一个有效的变量选择方法可以更好地进行风险评估和模型解释。基于惩罚思想的变量选择方法在近几年受到极大关注，该方法可同时进行变量选择和参数估计，这大大提高了计算速度。Tibshirani提出Lasso是一种有效的惩罚变量选择方法[1]。Zhao和