...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of applied statistics >A link-free sparse group variable selection method for single-index model
【24h】

A link-free sparse group variable selection method for single-index model

机译：单指标模型的无链接稀疏群变量选择方法

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

For regression problems with grouped covariates, we adapt the idea of sparse group lasso (SGL) [10] to the framework of the sufficient dimension reduction. Assuming that the regression falls into a single-index structure, we propose a method called the sparse group sufficient dimension reduction to conduct group and within-group variable selections simultaneously without assuming a specific link function. Simulation studies show that our method is comparable to the SGL under the regular linear model setting and outperforms SGL with higher true positive rates and substantially lower false positive rates when the regression function is nonlinear. One immediate application of our method is to the gene pathway data analysis where genes naturally fall into groups (pathways). An analysis of a glioblastoma microarray data is included for illustration of our method.
机译：对于分组协变量的回归问题，我们将稀疏组套索（SGL）[10]的概念调整为充分减少维数的框架。假设回归属于单指标结构，我们提出了一种称为稀疏组的降维方法，该方法可在不假设特定链接函数的情况下充分进行组和组内变量选择。仿真研究表明，在回归函数为非线性的情况下，我们的方法在常规线性模型设置下可与SGL相提并论，其SGL的真实阳性率更高，而假阳性率则大大低于SGL。我们的方法的一种直接应用是在基因途径数据分析中，基因自然分为几类（途径）。包含胶质母细胞瘤微阵列数据的分析，用于说明我们的方法。

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