論文の概要: Active-set algorithms based statistical inference for shape-restricted
generalized additive Cox regression models
- arxiv url: http://arxiv.org/abs/2106.15735v1
- Date: Tue, 29 Jun 2021 21:40:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-01 15:24:06.421288
- Title: Active-set algorithms based statistical inference for shape-restricted
generalized additive Cox regression models
- Title(参考訳): 形状制限型一般化加法的cox回帰モデルに対するアクティブセットアルゴリズムに基づく統計的推論
- Authors: Geng Deng, Guangning Xu, Qiang Fu, Xindong Wang and Jing Qin
- Abstract要約: 我々は、有名なコックス回帰モデル(SR-Cox)に形状制限推論を導入する。
負の対数様関数の最小化は凸最適化問題として定式化される。
- 参考スコア(独自算出の注目度): 10.646091866995066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently the shape-restricted inference has gained popularity in statistical
and econometric literature in order to relax the linear or quadratic covariate
effect in regression analyses. The typical shape-restricted covariate effect
includes monotonic increasing, decreasing, convexity or concavity. In this
paper, we introduce the shape-restricted inference to the celebrated Cox
regression model (SR-Cox), in which the covariate response is modeled as
shape-restricted additive functions. The SR-Cox regression approximates the
shape-restricted functions using a spline basis expansion with data driven
choice of knots. The underlying minimization of negative log-likelihood
function is formulated as a convex optimization problem, which is solved with
an active-set optimization algorithm. The highlight of this algorithm is that
it eliminates the superfluous knots automatically. When covariate effects
include combinations of convex or concave terms with unknown forms and linear
terms, the most interesting finding is that SR-Cox produces accurate linear
covariate effect estimates which are comparable to the maximum partial
likelihood estimates if indeed the forms are known. We conclude that concave or
convex SR-Cox models could significantly improve nonlinear covariate response
recovery and model goodness of fit.
- Abstract(参考訳): 近年、回帰分析における線形あるいは二次的共変量効果を緩和するために、形状制限推論が統計学や計量学の文献で人気を集めている。
典型的な形状制限された共変量効果は、単調な増大、減少、凸性または凹凸性を含む。
本稿では,共変量応答を形状制限付加関数としてモデル化した,有名なコックス回帰モデル(SR-Cox)に形状制限推論を導入する。
sr-cox回帰は、データ駆動の結び目選択を伴うスプライン基底展開を用いて、形状制限関数を近似する。
負のlog-likelihood関数の最小化を凸最適化問題として定式化し、アクティブセット最適化アルゴリズムを用いて解く。
このアルゴリズムのハイライトは、余分な結び目を自動的に取り除くことである。
共変量効果が凸あるいは凸項と未知の形式と線型項の組み合わせを含む場合、最も興味深い発見は、sr-cox が最大部分的確率推定に匹敵する正確な線形共変量効果推定を生成することである。
凸または凸sr-coxモデルが非線形共変応答の回復と適合のモデル良さを大幅に改善できると結論づけた。
関連論文リスト
- Highly Adaptive Ridge [84.38107748875144]
直交可積分な部分微分を持つ右連続函数のクラスにおいて,$n-2/3$自由次元L2収束率を達成する回帰法を提案する。
Harは、飽和ゼロオーダーテンソル積スプライン基底展開に基づいて、特定のデータ適応型カーネルで正確にカーネルリッジレグレッションを行う。
我々は、特に小さなデータセットに対する最先端アルゴリズムよりも経験的性能が優れていることを示す。
論文 参考訳(メタデータ) (2024-10-03T17:06:06Z) - Branch and Bound to Assess Stability of Regression Coefficients in Uncertain Models [0.6990493129893112]
提案アルゴリズムは,数学的な結果のサポート,サンプルアプリケーション,コンピュータコードへのリンクなどとともに導入する。
これは、研究者が高次元データを要約し、不確実なモデルにおける回帰係数の安定性を評価するのに役立つ。
論文 参考訳(メタデータ) (2024-08-19T01:37:14Z) - Kernel-based off-policy estimation without overlap: Instance optimality
beyond semiparametric efficiency [53.90687548731265]
本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。
任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
論文 参考訳(メタデータ) (2023-01-16T02:57:37Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - Adaptive LASSO estimation for functional hidden dynamic geostatistical
model [69.10717733870575]
関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。
このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
論文 参考訳(メタデータ) (2022-08-10T19:17:45Z) - Spike-and-Slab Generalized Additive Models and Scalable Algorithms for
High-Dimensional Data [0.0]
本稿では,高次元データに対応するため,階層型一般化加法モデル(GAM)を提案する。
曲線の適切な縮退と滑らか化関数線型空間と非線形空間の分離に対する平滑化ペナルティを考察する。
2つの決定論的アルゴリズム、EM-Coordinate Descent と EM-Iterative Weighted Least Squares は異なるユーティリティ向けに開発された。
論文 参考訳(メタデータ) (2021-10-27T14:11:13Z) - COCO Denoiser: Using Co-Coercivity for Variance Reduction in Stochastic
Convex Optimization [4.970364068620608]
我々は,勾配オラクルによって出力される雑音の推定値を改善するために,凸性およびL平滑性を利用する。
問合せ点の数と近さの増加は、より良い勾配推定に繋がることを示す。
また、SGD、Adam、STRSAGAといった既存のアルゴリズムにCOCOをプラグインすることで、バニラ設定にもCOCOを適用します。
論文 参考訳(メタデータ) (2021-09-07T17:21:09Z) - Optimal Rates for Random Order Online Optimization [60.011653053877126]
敵が損失関数を選択できるカテットガルバー2020onlineについて検討するが、一様にランダムな順序で提示される。
2020onlineアルゴリズムが最適境界を達成し,安定性を著しく向上することを示す。
論文 参考訳(メタデータ) (2021-06-29T09:48:46Z) - Piecewise linear regression and classification [0.20305676256390928]
本稿では,線形予測器を用いた多変量回帰と分類問題の解法を提案する。
本論文で記述されたアルゴリズムのpython実装は、http://cse.lab.imtlucca.it/bemporad/parcで利用可能である。
論文 参考訳(メタデータ) (2021-03-10T17:07:57Z) - Slice Sampling for General Completely Random Measures [74.24975039689893]
本稿では, 後続推定のためのマルコフ連鎖モンテカルロアルゴリズムについて, 補助スライス変数を用いてトランケーションレベルを適応的に設定する。
提案アルゴリズムの有効性は、いくつかの一般的な非パラメトリックモデルで評価される。
論文 参考訳(メタデータ) (2020-06-24T17:53:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。