変数選択 2015/9/30 EM１４１０１９ 鶴田 実可子 先行研究と研究の方向性の概要 •n≥p • n< p n : observation p: variable • ビックデータは上記の２つに分類される • n< pの場合、説明変数が多すぎてAIC,BICで計算することができない • ２段階に分けてScreeningを行い、重要な説明変数を見つける 1. p →dに次元を減らす 2. 重要な説明変数をSCAD, adaptive LASSOを用いて見つける 先行研究と研究の方向性の概要 • Toshio Honda et al.(2014) • Screeningの方法の一つとしてForward variable selection procedureを 考える • 変動係数モデルをB-spline basis を用いて近似をして、その後局所的 に回帰を行う • Reduction in sum of squares criterion や BIC-based stopping ruleによ り、重要な説明変数を全て選び出すことができる 先行研究と研究の方向性の概要 • 修士論文では 1. additive model を使用する際、 BIC-based stopping ruleや一致性を 満たすことなど、理論的に証明をする 2. 最新のScreening 方法をまとめる 3. シミュレーションを行う model (1) (2) （基準点を決める） を計算する • 新しい変数を加えるかはEBICで判断する 今後の課題 • additive modelのシミュレーションを実行する • 最新のScreening法を理解する Robust rank correlation screening Censored rank independence screening など 参考文献 • Cheng., Ming-Yen., Honda Toshio., Zhang., Jin-Ting., 2014, “Forward variable selection for sparse ultra-hibh dimensional varying coefficient models.” • Li, G., Peng, H., Zhang, J., & Zhu, L. ,2012, “Robust rank correlation based screening. “ • Song, R., Lu, W., Ma, S., & Jeng, X. J. ,2014., “Censored rank independence screening for high-dimensional survival data.”
© Copyright 2024 ExpyDoc
