Variable Selection Methods in High-dimensional Regression—A Simulation Study
Variable Selection Methods in High-dimensional Regression—A Simulation Study
复制标题
高维回归中的变量选择方法——模拟研究
DOI：
10.1080/03610918.2013.833231
复制
发表时间：
2015
期刊：
影响因子：
--
通讯作者：
A. M. Gonçalves
中科院分区：
文献类型：
--
作者：
S. Shahriari;S. Faria;A. M. Gonçalves
高维数据分析中的一个具有挑战性的问题是变量选择。在这项研究中，我们描述了一个基于引导的技术选择预测偏最小二乘回归（PLSR）和主成分回归（PCR）在高维数据。使用基于引导的技术进行回归系数的显著性检验，可以选择原始变量的子集以包括在回归中，从而获得具有较小预测误差的更简约的模型。我们比较了自举方法与几个变量的选择方法（折刀和稀疏公式为基础的方法）在模拟和真实的数据的PCR和PLSR。
A challenging problem in the analysis of high-dimensional data is variable selection. In this study, we describe a bootstrap based technique for selecting predictors in partial least-squares regression (PLSR) and principle component regression (PCR) in high-dimensional data. Using a bootstrap-based technique for significance tests of the regression coefficients, a subset of the original variables can be selected to be included in the regression, thus obtaining a more parsimonious model with smaller prediction errors. We compare the bootstrap approach with several variable selection approaches (jack-knife and sparse formulation-based methods) on PCR and PLSR in simulation and real data.
影响因子：
5.8
作者：
Mevik, Bjorn-Helge;Wehrens, Ron
通讯作者：
Wehrens, Ron