The Sparse Laplacian Shrinkage Estimator for High-Dimensional Regression.
The Sparse Laplacian Shrinkage Estimator for High-Dimensional Regression.
复制标题
DOI：
10.1214/11-aos897
复制
发表时间：
2011
影响因子：
4.5
通讯作者：
Zhang CH
中科院分区：
文献类型：
--
作者：
Huang J;Ma S;Li H;Zhang CH
我们提出了一个新的惩罚方法变量的选择和估计，明确纳入预测之间的相关模式。该方法基于极大极小凹罚函数和与图相关的Laplacian二次函数作为罚函数的组合。我们称之为稀疏拉普拉斯收缩（SLS）方法。SLS使用极大极小凹惩罚来鼓励稀疏性，使用拉普拉斯二次惩罚来促进与相关预测因子相关联的系数之间的平滑性。SLS具有一个广义的分组性质的图表示的拉普拉斯二次型。我们表明，SLS具有预言性质的意义上，它是选择一致的，等于具有高概率的预言拉普拉斯收缩估计。这一结果在合理条件下，在稀疏的高维设置中p n成立。我们推导出一个坐标下降算法计算SLS估计。仿真研究进行了评估的SLS方法的性能和一个真实的数据的例子来说明其应用。
We propose a new penalized method for variable selection and estimation that explicitly incorporates the correlation patterns among predictors. This method is based on a combination of the minimax concave penalty and Laplacian quadratic associated with a graph as the penalty function. We call it the sparse Laplacian shrinkage (SLS) method. The SLS uses the minimax concave penalty for encouraging sparsity and Laplacian quadratic penalty for promoting smoothness among coefficients associated with the correlated predictors. The SLS has a generalized grouping property with respect to the graph represented by the Laplacian quadratic. We show that the SLS possesses an oracle property in the sense that it is selection consistent and equal to the oracle Laplacian shrinkage estimator with high probability. This result holds in sparse, high-dimensional settings with p ≫ n under reasonable conditions. We derive a coordinate descent algorithm for computing the SLS estimates. Simulation studies are conducted to evaluate the performance of the SLS method and a real data example is used to illustrate its application.
登录
查看更多内容
影响因子：
1.8
作者：
Fan, Jianqing;Feng, Yang;Wu, Yichao
通讯作者：
Wu, Yichao
DOI：
10.1073/pnas.0600158103
发表时间：
2006-04-18
影响因子：
11.1
作者：
Chiang, AP;Beck, JS;Sheffield, VC
通讯作者：
Sheffield, VC
DOI：
10.1214/10-aoas388
发表时间：
2011-01-01
期刊：
The annals of applied statistics
影响因子：
--
作者：
Breheny P;Huang J
通讯作者：
Huang J
影响因子：
5.8
作者：
Li, Caiyan;Li, Hongzhe
通讯作者：
Li, Hongzhe
影响因子：
2.1
作者：
Irizarry, RA;Hobbs, B;Speed, TP
通讯作者：
Speed, TP