 |
|
||||||||||
Lukas Rosinus: Fehlende Werte EM-Algorithmus und Lasso in hochdimensionaler linearer Regression
Adviser: Prof. Dr. P. Bühlmann
August 2009
Zusammenfassung
Verschiedene Schätzer für hochdimensionale lineare Regressionsprobleme mit
fehlenden Werten werden vorgeschlagen und untersucht [[?]]. Dabei wird
Mithilfe des EM-Algorithmus der beobachtete negative Log-Likelihood mit-
samt Lasso-Bestrafung der Regressionsparameter β minimiert. Durch die
Verwendung der Lasso-Bestrafung werden die Regressionskoeffizienten sparse geschätzt.
In Simulationsstudien werden die Methoden an verschiedenen multivariat
normalverteilten Modellen untersucht. Dabei zeigt sich, dass die MissRegr
Methode die besten Resultate erzielt. Mit dem EM-Algorithmus wird die
inverse Kovarianzmatrix K = Σ−1 im Likelihood Sinn optimal geschätzt.
Mit der Lasso Bestrafung werden dann auch die Regressionsparameter gut
geschätzt, auch bei hohem Anteil fehlender Daten.
Download: PDF (800 KB)
Wichtiger Hinweis:
Diese Website wird in älteren Versionen von Netscape ohne
graphische Elemente dargestellt. Die Funktionalität der
Website ist aber trotzdem gewährleistet. Wenn Sie diese
Website regelmässig benutzen, empfehlen wir Ihnen, auf
Ihrem Computer einen aktuellen Browser zu installieren. Weitere
Informationen finden Sie auf
folgender
Seite.
Important Note:
The content in this site is accessible to any browser or
Internet device, however, some graphics will display correctly
only in the newer versions of Netscape. To get the most out of
our site we suggest you upgrade to a newer browser.
More
information
