导读:本文包含了自变量选择论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:自变量,变量,模型,线性,函数,数据,正态分布。
自变量选择论文文献综述
胡健宝[1]（2019）在《多元回归中选择自变量的一种简单方法》一文中研究指出本文研究了陈家鼎于2015年针对线性回归模型提出的一种新的变量选择方法,该方法旨在为大家提供一种简单的变量选择方法。对于这种新方法,我们尝试将其推广到线性混合效应模型中,从而得到一种简单高效的模型选择方法。(本文来源于《科技经济市场》期刊2019年05期）
刘科生,王思洋[2]（2019）在《含函数型自变量回归模型中的变量选择》一文中研究指出针对含有函数型和多元向量数据的回归模型中变量选择和参数估计问题进行研究,扩展了函数型数据分析和变量选择方法的应用范围。首先,函数型自变量基于函数型主成分基函数空间进行投影;然后,对投影后的函数型自变量(按组)及多元向量自变量采用惩罚变量选择方法,同时估计相应的系数。惩罚项调节参数采用自适应调节参数,损失函数采用中位绝对损失函数,以此为例,通过引入松弛变量将估计算法转化为求解线性规划问题,算法复杂度低。数值模拟结果表明,所提方法对于含函数型自变量回归模型的变量选择和参数估计均具有良好效果。(本文来源于《北京航空航天大学学报》期刊2019年10期）
叶忠昌[3]（2019）在《自变量向量多元混合正态分布假设下基于分布加权最小二乘的变量选择》一文中研究指出非参数或半参数回归问题中,自变量向量维数较高时,回归函数的拟合将会变得困难。因此,在拟合之前对自变量进行筛选,是一个非常必要的步骤。然而,由于非参数和半参数回归中并不对回归函数的形式做出很具体的假设,故常用的自变量选择方法(如:LASSO,SCAD等)通常不能直接适用于非参数或半参数模型。若能不依赖于回归函数形式而找到自变量向量的少数几个线性组合,使得在给定这几个线性组合之时,因变量与所有自变量相互条件独立,则所有回归信息实际上已全部包含在因变量与这些线性组合的关系里,如此,就可以通过对线性组合的系数向量施加惩罚而得到稀疏的组合系数向量,从而达到变量选择的目的。幸而目前已有许多寻找这样的自变量线性组合的理论和方法,这就是充分降维理论。如何基于充分降维理论进行非参数或半参数回归中的变量选择的问题已受到了关注,并已经有一些方法被提出,这些方法多依赖一定的分布假设,如:线性设计条件,常数条件方差等等。然而,现实中,这些分布假设得不到满足的情形并不罕见,比如,混合正态分布就并不满足这些条件。本文考虑当自变量向量服从混合正态分布时,如何基于充分降维方法进行单指标模型下的变量选择。我们设计的变量选择方法基于一种高效的充分降维方法—一分布加权最小二乘法。基本思路是,将分布加权最小二乘法推广到自变量向量服从混合正态分布的情形下,在此基础上,构造一个总体形式的目标函数,使得降维中心子空间中的某个非零向量是该目标函数的最小值点,然后,通过一个重抽样方法,获取该目标函数的样本形式,并在其上施加SCAD惩罚,从而获取降维中心子空间中的某个非零向量的压缩估计,完成变量选择。我们通过两个模拟示例对所提出的方法进行了说明。(本文来源于《云南财经大学》期刊2019-06-16）
刘立祥[4]（2015）在《线性回归模型中自变量的选择与逐步回归方法》一文中研究指出文章通过对因变量有显着作用的变量加入回归方程,而排除一些影响不显着的变量,建立一个"最优"的自变量子集。通过对自变量的选择和逐步回归分析进行详尽的介绍,以期为使用该方法提供借鉴。(本文来源于《统计与决策》期刊2015年21期）
李立亚,郑桃云[5]（2015）在《基于加权L1极小化模型选择线性回归模型中的自变量求解》一文中研究指出文章引进了l1极小化技术,来选择线性回归模型中的自变量。主要是解决一个加权向量的l1极小化问题,使所求向量尽可能稀疏。通过二次规划构想,进行变换,使之成为求解二次规划的问题,然后用GP-SR(稀疏重建的梯度投影)的方法来求解。通过l1极小化理论和数据的稀疏性的应用,就可以大大的减少自变量的个数,从而减轻了回归的计算量并且能保持回归模型的质量。(本文来源于《统计与决策》期刊2015年11期）
陈家鼎,李东风[6]（2015）在《多元回归中选择自变量的一种简单方法》一文中研究指出在线性回归模型建模中,回归自变量选择是一个受到广泛关注、文献众多,具有很强的理论和实际意义的问题.回归自变量选择子集的相合性是其中一个重要问题,如果某种自变量选择方法选择的子集在样本量趋于无穷时是相合的,而且预测均方误差较小,则这种方法是可取的.利用BIC准则可以挑选相合的自变量子集,但是在自变量个数很多时计算量过大;适应lasso方法具有较高计算效率,也能找到相合的自变量子集;本文提出一种更简单的自变量选择方法,只需要计算两次普通线性回归:第一次进行全集回归,得到全集的回归系数估计,然后利用这些回归系数估计挑选子集,然后只要在挑选的自变量子集上再进行一次普通线性回归就得到了回归结果.考虑如下的回归模型:Y_n=X_nβ~*+ε~((n)),其中回归系数β~*中非零分量下标的集合为J_O,设J_n是本文方法选择的自变量子集下标集合,β~((n))是本文方法估计的回归系数(未选中的自变量对应的系数为零),本文证明了,在适当条件下,(?)其中(β~((n))-β~*)J_O表示β~((n))-β~*的分量下标在J_O中的元素的组成的向量,σ~2是误差方差,∑,c是与矩阵(X_n~TX_n)/n极限有关的矩阵和常数.数值模拟结果表明本文方法具有很好的中小样本性质.(本文来源于《应用概率统计》期刊2015年01期）
张索林,郑河,张光宁[7]（2014）在《外物干扰平衡移动中的自变量选择》一文中研究指出详细阐述了议题中选择ni(或惰)为自变量之后,各微积分表达式更简洁、整齐和实用,且不影响所用浓度(i)的内涵特点。(本文来源于《唐山师范学院学报》期刊2014年05期）
张秀秀,王慧,田双双,乔楠,闫丽娜[8]（2013）在《高维数据回归分析中基于LASSO的自变量选择》一文中研究指出生物信息学背景下普遍存在着高维数据,所谓的"高维"即待估计的未知参数的个数是样本量的一个或几个数量级〔1〕,例如Van't Veer(2002)〔2〕等学者收集的乳腺癌数据集共包括259例乳腺癌患者,25000个微阵列基因数据,研究变量个数25000远远大于样本量259,存在"高维"现象。传统的方法进行参数估计和统计推断的一个必要前提是待估参数的个数小于样本量,这样统计推断的结果才是稳定、可靠的。对于(本文来源于《中国卫生统计》期刊2013年06期）
王银辉[9]（2012）在《评价线性模型中自变量选择对估计的影响》一文中研究指出线性模型是一类统计模型的总称,包括线性回归模型、方差分析模型等,也是现代统计学中比较常见的模型。它理论丰富、应用广泛,在农业、工业、经济、管理、气象、地质、生物、医学、工程技术等很多领域都有应用。在实际问题中,往往需要寻找合理的自变量来建立线性模型。但是因变量涉及到的自变量通常较多,这使建立模型非常的困难。如何从大量的自变量中挑选合适的变量列入线性方程中,统计学家们先后提出多种自变量选择准则来解决这一问题。论文在以前学者研究成果的基础上,对自变量选择做了进一步的研究。对于自变量选择准则平均残差平方和、预测偏差的方差、平均预测均方误差Sq、Cp准则、预测平方和准则PRESS等进行了简单的介绍,并证明了在方差和均方误差意义下自变量选择对估计和预测的影响的优良性。用风险函数分别在古典线性模型和广义线性模型中评价了自变量选择对最小二乘估计的影响,在现有的基础上,证明了剔除对因变量少的影响较小的自变量后,最小二乘估计的精度有所提高。(本文来源于《东北林业大学》期刊2012-06-01）
王银辉,徐文科[10]（2012）在《基于风险函数评价自变量选择对预测的影响》一文中研究指出在线性模型中,考虑自变量选择对预测值产生的影响,运用风险函数讨论了因变量预测的优良性.(本文来源于《哈尔滨师范大学自然科学学报》期刊2012年01期）
自变量选择论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对含有函数型和多元向量数据的回归模型中变量选择和参数估计问题进行研究,扩展了函数型数据分析和变量选择方法的应用范围。首先,函数型自变量基于函数型主成分基函数空间进行投影;然后,对投影后的函数型自变量(按组)及多元向量自变量采用惩罚变量选择方法,同时估计相应的系数。惩罚项调节参数采用自适应调节参数,损失函数采用中位绝对损失函数,以此为例,通过引入松弛变量将估计算法转化为求解线性规划问题,算法复杂度低。数值模拟结果表明,所提方法对于含函数型自变量回归模型的变量选择和参数估计均具有良好效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自变量选择论文参考文献
[1].胡健宝.多元回归中选择自变量的一种简单方法[J].科技经济市场.2019
[2].刘科生,王思洋.含函数型自变量回归模型中的变量选择[J].北京航空航天大学学报.2019
[3].叶忠昌.自变量向量多元混合正态分布假设下基于分布加权最小二乘的变量选择[D].云南财经大学.2019
[4].刘立祥.线性回归模型中自变量的选择与逐步回归方法[J].统计与决策.2015
[5].李立亚,郑桃云.基于加权L1极小化模型选择线性回归模型中的自变量求解[J].统计与决策.2015
[6].陈家鼎,李东风.多元回归中选择自变量的一种简单方法[J].应用概率统计.2015
[7].张索林,郑河,张光宁.外物干扰平衡移动中的自变量选择[J].唐山师范学院学报.2014
[8].张秀秀,王慧,田双双,乔楠,闫丽娜.高维数据回归分析中基于LASSO的自变量选择[J].中国卫生统计.2013
[9].王银辉.评价线性模型中自变量选择对估计的影响[D].东北林业大学.2012
[10].王银辉,徐文科.基于风险函数评价自变量选择对预测的影响[J].哈尔滨师范大学自然科学学报.2012
论文知识图
