带弹性网惩罚的光滑化分位数回归

来源 :北京交通大学 | 被引量 : 0次 | 上传用户:suease
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
高维数据在很多科学领域都会遇到,比如说在信息科学、生物学、经济学等领域.高维数据给现代统计方法和优化计算带来很大的挑战.传统的回归方法不能有效的进行分析.考虑到高维数据容易导致共线性问题及高维数据的误差可能是重尾的,基于最小二乘的线性回归方法不能有效分析这样的数据,于是我们引入了加弹性网惩罚的分位数回归模型,这个模型结合了二次正则和LASSO收缩的优点,既能解决共线性问题又能实现变量筛选.另外,由于弹性网惩罚特有的结构特点,使得模型有分组的效果,即高度相关的变量将会同时被选进模型或被剔除出模型.由于分位数损失函数具有凸性但不具有可微性,不利于模型求解,于是通过Huber光滑函数,将分位数损失函数光滑化,得到加弹性网惩罚的光滑化分位数回归(SQEN).我们还验证了SQEN估计值具有统计性质.为了有效估计SQEN的值,我们引入一个有效的迭代算法:SQEN-MM算法,并建立算法的全局收敛性.在文章的最后,我们通过数值实验进一步验证我们提出的方法的有效性.  本文分为六章,第一章介绍了研究背景和研究现状;第二章引入加弹性网惩罚的光滑分位数回归模型(SQEN);第三章介绍了SQEN模型估计值的统计性质;第四章引入求解SQEN模型的最优化算法并证明算法的全局收敛性;第五章通过数值实验验证算法的有效性;第六章对全文进行了总结,并对未来要进一步研究的工作进行了展望.
其他文献
本文主要研究了复双曲等距映射群PU(1,n;C)的离散准则以及一类特殊的离散群即三角群的Jφrgensen数大小的问题,得到了系列结果.本文由四章构成,具体安排如下:   第一章我们简单
神经元在中枢神经系统处理信息的过程中有着非常重要的地位,神经元能够加工、处理和传输信息,而这些过程有丰富的非线性特征。  近十年来,Rulkov和Izhikevich分别应用离散(map
图的染色和染色数问题是图论中的一个重要研究内容,也是人们研究比较活跃的领域之一,而且图的染色和染色数问题有着深远而丰富理论结果和广泛的实际应用,其理论和方法在离散
本文主要研究Hn上的K-Cauchy-Fueter算子和K-正则函数以及C4n上的Penrose变换,Radon-Penrose变换和R2n中迷向d-平面上的Radon变换。我们主要讨论的问题是K-Cauchy-Fueter方程