Sufficient dimension reduction for censored regressions.
Sufficient dimension reduction for censored regressions.
复制标题
DOI：
10.1111/j.1541-0420.2010.01490.x
复制
发表时间：
2011-06
期刊：
影响因子：
1.9
通讯作者：
Li L
中科院分区：
文献类型：
--
作者：
Lu W;Li L
充分降维方法为高维数据的回归分析提供了一种有效的手段。然而，当响应被删失时，大多数现有的SDR估计都不能应用，或者需要一些限制条件。在这篇文章中，我们提出了一类新的逆截尾概率加权SDR估计截尾回归。此外，正则化，以实现同时变量选择和降维。所提出的方法的渐近性质和经验性能进行检查。
Methodology of sufficient dimension reduction (SDR) has offered an effective means to facilitate regression analysis of high dimensional data. When the response is censored, however, most existing SDR estimators can not be applied, or require some restrictive conditions. In this article we propose a new class of inverse censoring probability weighted SDR estimators for censored regressions. Moreover, regularization is introduced to achieve simultaneous variable selection and dimension reduction. Asymptotic properties and empirical performance of the proposed methods are examined.
登录
查看更多内容
影响因子：
4.5
作者：
HALL, P;LI, KC
通讯作者：
LI, KC
影响因子：
5.8
作者：
Li, LX;Li, HZ
通讯作者：
Li, HZ
影响因子：
5.8
作者：
Li, HZ;Luan, YH
通讯作者：
Luan, YH
影响因子：
4.5
作者：
Cook, RD
通讯作者：
Cook, RD
影响因子：
3.7
作者：
LI, KC
通讯作者：
LI, KC