基于Bayesian Bootstrap抽样的高维线性回归模型

摘要：

研究小样本下高维线性回归模型中的变量选择问题和模型预测能力.当自变量维数p远大于样本量n时,提出基于Bayesian bootstrap抽样的SCAD(smoothly clipped absolute deviation)压缩方法.仿真和实证分析表明,与SCAD和LASSO(least absolute shrinkage and selection operator)两种传统回归压缩方法相比,本算法受随机干扰影响较小.当样本量较小时,本算法的变量压缩结果更好,变量选择能力更强,模型的标准均方误差值也最小,且模型预测能力提升明显.

关键词：高维线性回归;变量选择;小样本;Bayesian bootstrap;LASSO (least absolute shrinkage and selection operator);SCAD(smoothly clipped absolute dev

所属期刊栏目：67

分类号：O213.9(概率论与数理统计)

资助基金：国家自然科学基金;中国高等教育学会理科教育专业委员会高等理科教育研究课题;华中科技大学教学研究项目

在线出版日期：2021-11-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：461-466