.png){kind=icon}
返回
Penalized composite quantile regression model for compositional data
.png){kind=icon}
OA
AI
DOI：10.1080/02331888.2026.2632740.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
受肠道微生物组数据分析挑战的启发，我们提出了一种带线性约束的惩罚复合分位数回归（CQR）方法，该方法确保了多水平间的分位数非交叉。该方法特别适用于组成数据，而该框架自然可扩展至更一般的约束惩罚CQR设置。通过整合多分位数信息，所提出的方法提高了估计效率，尤其是在尾部，同时保持稳健性且无需误差遵循特定分布。为求解相关优化问题，我们开发了一种高效的ADMM算法。模拟研究和一项探究肠道组成与人体体重指数关系的微生物组应用，展示了该方法的稳健性、准确性和实际效用。
Keyword:
Composite quantile regression
penalized and constrained
non-crossing quantiles
compositional data
ADMM algorithm
期刊
S
IF:
1
论文数:
83
被引数:
0
机构
引用论文
分享收藏
分享收藏分享收藏Robust transfer learning for high-dimensional quantile regression model with linear constraints.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏Robust logistic zero-sum regression for microbiome compositional data稳健的logistic零和回归方法用于微生物组组成数据OAAI
OAAI分享收藏
查看更多内容