Variable Selection in Measurement Error Models.
Variable Selection in Measurement Error Models.
复制标题
DOI：
10.3150/09-bej205
复制
发表时间：
2010
期刊：
影响因子：
--
通讯作者：
Li R
中科院分区：
文献类型：
--
作者：
Ma Y;Li R
许多研究中经常收集测量误差数据或变量误差数据。由于缺乏不可观察协变量分布的信息，自然准则函数通常不适用于一般函数测量误差模型。通常，参数估计是通过求解估计方程来进行的。此外，构建此类估计方程通常需要求解积分方程，因此与普通回归模型相比，计算量通常要大得多。由于这些困难，传统的最佳子集变量选择程序不适用，并且在测量误差模型背景下，变量选择仍然是一个未解决的问题。在本文中，我们开发了一个通过惩罚估计方程在测量误差模型中进行变量选择的框架。我们首先提出了一类用于一般参数测量误差模型和一般半参数测量误差模型的选择程序，并研究了所提出程序的渐近性质。然后，在某些规律性条件下并使用正确选择的正则化参数，我们证明所提出的过程与预言机过程一样好。我们通过蒙特卡罗模拟研究评估有限样本的性能，并通过对熟悉的数据集的实证分析来说明所提出的方法。
Measurement error data or errors-in-variable data are often collected in many studies. Natural criterion functions are often unavailable for general functional measurement error models due to the lack of information on the distribution of the unobservable covariates. Typically, the parameter estimation is via solving estimating equations. In addition, the construction of such estimating equations routinely requires solving integral equations, hence the computation is often much more intensive compared with ordinary regression models. Because of these difficulties, traditional best subset variable selection procedures are not applicable, and in the measurement error model context, variable selection remains an unsolved issue. In this paper, we develop a framework for variable selection in measurement error models via penalized estimating equations. We first propose a class of selection procedures for general parametric measurement error models and for general semiparametric measurement error models, and study the asymptotic properties of the proposed procedures. Then, under certain regularity conditions and with a properly chosen regularization parameter, we demonstrate that the proposed procedure performs as well as an oracle procedure. We assess the finite sample performance via Monte Carlo simulation studies and illustrate the proposed methodology through the empirical analysis of a familiar data set.
登录
查看更多内容
DOI：
10.1198/016214507000001355
发表时间：
2008-03-01
影响因子：
3.7
作者：
Delaigle, Aurore;Hall, Peter
通讯作者：
Hall, Peter
DOI：
10.1198/016214507000000987
发表时间：
2007-12-01
影响因子：
3.7
作者：
Delaigle, Aurore;Meister, Alexander
通讯作者：
Meister, Alexander
影响因子：
2.7
作者：
Wang, Hansheng;Li, Runze;Tsai, Chih-Ling
通讯作者：
Tsai, Chih-Ling
影响因子：
4.5
作者：
Zou, Hui;Li, Runze
通讯作者：
Li, Runze
影响因子：
4.8
作者：
KANNEL, WB;NEATON, JD;KJELSBERG, MO
通讯作者：
KJELSBERG, MO