科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对高维数据的建模分析问题，提出了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。在一定的条件下，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，且估计值和真实系数以趋于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了比较，结果表明新提出的方法具备更好的稳健性与有效性。
- 单位
