基于弹性网惩罚的复合分位数回归估计

摘要：

针对高维数据的建模分析问题,提出一种基于弹性网络法和复合分位数回归相结合的稳健估计方法.在该估计方法中,所提出的模型能够有效进行变量选择与系数压缩,并处理数据间的多重共线性与群组效应问题,在大数据时代下具有较广的适应性.同时,与已有的惩罚最小二乘估计和惩罚分位数回归估计相比,该估计方法不仅放宽了对模型误差项的分布要求,而且综合考虑了多个分位点的损失,在面对离群值或呈现尖峰、厚尾分布数据时能够保持更强的稳健性和抗干扰性.在一定条件下,对所构建模型估计的相合性与稀疏性进行了理论分析,结果表明:所提出的模型能够将不相关的变量完全压缩至零,且估计量和真实系数以趋于1的概率相同.此外,在数值模拟方面,设置了 5种误差项分布条件,根据设定的4项指标,通过与其他惩罚函数模型以及损失函数模型进行比较,结果表明新提出的方法具备更好的稳健性与有效性.

关键词：变量选择、稳健估计、弹性网、复合分位数回归

所属期刊栏目：40

分类号：O212.7(概率论与数理统计)

资助基金：重庆市教委科学技术研究计划重大项目KJZD-M202100801

在线出版日期：2023-11-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：104-112