• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>AStA Advances in statistical analysis >Penalized empirical likelihood for partially linear errors-in-variables models
【24h】

Penalized empirical likelihood for partially linear errors-in-variables models

机译：部分线性错误的惩罚的经验可能性 - 变量模型

获取原文
获取原文并翻译 | 示例
       
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this paper, we study penalized empirical likelihood for parameter estimation and variable selection in partially linear models with measurement errors in possibly all the variables. By using adaptive Lasso penalty function, we show that penalized empirical likelihood has the oracle property. That is, with probability tending to one, penalized empirical likelihood identifies the true model and estimates the nonzero coefficients as efficiently as if the sparsity of the true model was known in advance. Also, we introduce the penalized empirical likelihood ratio statistic to test a linear hypothesis of the parameter and prove that it follows an asymptotic Chi-square distribution under the null hypothesis. Some simulations and an application are given to illustrate the performance of the proposed method.
机译：在本文中，我们研究了在可能的所有变量中的部分线性模型中的参数估计和变量选择的惩罚实际可能性。通过使用自适应套索惩罚功能，我们显示惩罚的经验可能性有Oracle属性。也就是说，倾向于一个，惩罚的经验似然性识别真实模型，并有效地估计非零系数，就像事先已知真实模型的稀疏性一样。此外，我们介绍了惩罚的经验似然比统计数据以测试参数的线性假设，并证明它遵循零假设下的渐近Chi-Square分布。给出了一些模拟和应用来说明所提出的方法的性能。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号