稀疏模型下的模型选择方法比较及应用

• 作者: 李康硕 李新民 董赛玉
• 来源期刊: 统计学与应用
• 学科: 经济
• 关键词: 模型选择 变量选择 稀疏模型
• 年，卷（期）: 2018,（5）
• 页码范围: 533-541
• 页数: 9页
• 分类号: F2

摘要

模型选择是统计研究的热点,随着大数据时代的到来,数据维数越来越高,在经济金融学领域,生物统计领域,图像处理等领域对模型的选择产生了更大的需求。同时稀疏模型在机器学习中发挥越来越重要的作用,它可以避免模型过度拟合的情况。本文主要基于多元线性回归模型进行模型选择的研究,主要对带有惩罚因子的模型选择方法中的岭回归、LASSO和SCAD三种方法和贝叶斯模型选择方法进行了总结阐述。后面通过数据模拟和实例分析,重点研究在稀疏性模型的前提下,对这四种模型选择的方法进行分析对比。通过研究分析可以发现在模型稀疏性较强的情况下,岭回归表现较好,SCAD方法能较好地去除不重要变量,结果与岭回归相差甚小,由此可以根据这种良好的性质在实际的应用当中得到充分利用。