| 中文题名： | 超高维变量组选择方法 |
| 姓名： | |
| 保密级别： | 公开 |
| 论文语种： | 中文 |
| 学科代码： | 071201 |
| 学科专业： | |
| 学生类型： | 学士 |
| 学位： | 理学学士 |
| 学位年度： | 2019 |
| 学校： | 北京师范大学 |
| 校区： | |
| 学院： | |
| 第一导师姓名： | |
| 第一导师单位： | |
| 提交日期： | 2019-06-13 |
| 答辩日期： | 2019-05-15 |
| 中文关键词： | |
| 中文摘要： |
关于超高维数据，本文讨论变量在已知分组的情况下如何寻找对因变量有影响的变量组问题。
目前的超高维变量选择方法多种多样，但都不能完全适用于变量组的筛选，因此，本文采用分组建模，按照 AIC、BIC 准则评价各组模型拟合效果，并依此选出重要变量组的方法。考虑到变量组选择的复杂性，文章对变量组选择中四种可变参数进行数值模拟与讨论；并与SIS方法做比对，分析分组建模的优势。对已有的GSIS法，即用RSS评价模型拟合效果的方法，本文在模拟中讨论了其缺点，并证得了其极限情形下的理论性质。
﹀
|
| 参考文献总数： | 7 |
| 馆藏号： | 本071201/19009 |
| 开放日期： | 2020-07-09 |
谷歌
