A clustered and sparse ising regression model for multivariate binary data

Francis K. C. Hui

doi:10.1007/s11222-026-10888-8

2026-04-22

Francis K. C. Hui *

Ding, Ding

DOI：10.1007/s11222-026-10888-8

原文链接

原文求助

摘要

En 中文

多元二元数据在许多学科中广泛收集，包括金融、心理测量学和生态学。通常，许多二元响应仅由预测变量的子集驱动，且二元响应组可能对预测变量表现出相似效应。受包含22种底层鱼类存在-缺失记录的美国东北大陆架调查数据的启发，我们提出了一种基于惩罚性Ising回归模型的新方法，用于多元二元数据的同时系数聚类和变量选择。Ising回归模型通过主效应和成对交互系数为二元响应向量构建显式联合分布，其中前者被建模为协变量的函数，后者捕捉响应之间的条件依赖关系。为对每个协变量内的系数进行聚类，并鼓励协变量和成对交互系数的稀疏性，我们提出将自适应融合Lasso和自适应Lasso惩罚添加到Ising回归模型中。这种鼓励同时稀疏性和分组的结构化惩罚与在底层鱼类调查中实现稀疏物种-协变量关系和环境响应的物种间同质性目标相一致。通过参数重参数化，我们证明所提出的估计量可以通过拟合单个自适应Lasso逻辑回归模型高效获得。模拟研究和底层鱼类调查的应用表明，与现有多元二元数据的Ising回归模型相比，所提出的方法具有竞争性性能，并导致可解释且简洁的响应-协变量关系集。

Keyword:

Correlation

Homogeneity pursuit

Lasso

Pairwise interaction

Penalization

Variable selection