.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
将成对交互项纳入回归模型可以提供对响应曲面的更准确近似。然而，在高维场景下拟合此类模型仍然具有特殊挑战性，其中交互项的数量可能达到数百万甚至数十亿。尽管已提出多种方法来处理此问题，但它们通常依赖于层次假设或仅关注具有交互项的线性模型。在实践中，这些假设常被违反。本文引入了一个灵活的交互项建模框架，用于广义线性模型，无需层次假设。我们的方法将交互项规避原则扩展到广义线性模型，当主效应与交互项的预测贡献相似时，优先选择主效应。该方法易于实现，且能够很好地扩展到大规模数据集。我们为高维场景下的选择一致性提供了有限样本保证。在模拟数据和真实数据集上的数值研究表明，我们的方法具有出色的计算效率和良好的统计性能。
Keyword:
Generalized linear models
High-dimensional interaction models
Variable screening
期刊
J
IF:
1.8
论文数:
141
被引数:
6.4K
机构
引用论文
暂无论文信息