چکیده: (10968 مشاهده)
گزینش متغیر از طریق برآورد تاوانیده برای کاهش بعد برخوردار از جذابیت است. برای رگرسیون خطی تاوانیده، افران و همکاران (۲۰۰۴) الگوریتم LARS را مطرح
کردند. اخیراً الگوریتم نزول مختص (CD) توسط فریدمن و همکاران (۲۰۰۷) برای رگرسیون خطی تاوانیده و رگرسیون لوژستیک تاوانیده پرورده و نشان داده شد که برتری
محاسباتی بهدست میآید. این مقاله به کاوش در الگوریتم CD دو برآورد واگرایی برگمن (BD) تاوانیده برای ردهای گستردهتر از مدلها میپردازد که نه تنها مدل خطی تعمیم
یافته را، که در نوشتگان مربوط به تاوانیدن به حد کفایت مطالعه شده، در بر میگیرد، بلکه مدل شبه درستنمایی را، که کمتر پرورده شده، شامل میشود. مطالعه براساس
شبیه سازی و کاربرد دادههای واقعی، عملکرد الگوریتمهای CD و LARS را در برآورد رگرسیونی، گزینش متغیر و شیوهی رده بندی موقعی که تعداد متغیرهای تبیینی در مقایسه
با اندازه نمونه بزرگ است، تشریح میکند.
دریافت: 1390/8/16 | پذیرش: 1394/6/21 | انتشار: 1390/8/24