Penalized likelihood models are widely used to simultaneously select variables and estimate model parameters. However, the existence of weak signals can lead to inaccurate variable selection, biased parameter estimation, and invalid inference. Thus, identifying weak signals accurately and making valid inferences are crucial in penalized likelihood models. In this paper, we develop a unified approach to identify weak signals and make inferences in penalized likelihood models, including the special case when the responses are categorical. To identify weak signals, we utilize the estimated selection probability of each covariate as a measure of signal strength and formulate a signal identification criterion. To construct confidence intervals, we adopt a two-step inference procedure. Extensive simulation studies show that the proposed two-step inference procedure outperforms several existing methods. We illustrate the proposed method with an application to the Practice Fusion diabetes dataset.


翻译:刑事可能性模型被广泛用于同时选择变量和估计模型参数,但是,薄弱信号的存在可能导致不准确的变量选择、偏差参数估计和无效推断。因此,准确识别弱信号和作出有效的推断对于惩罚可能性模型至关重要。在本文件中,我们制定了统一的方法,以查明弱信号,并在受处罚的可能性模型中作出推断,包括答复绝对的特例。为了查明弱信号,我们利用每个共变信号的估计选择概率作为信号强度的尺度,并拟订信号识别标准。为了建立信任间隔,我们采用了两步推论程序。广泛的模拟研究表明,拟议的两步推论程序超越了现有的几种方法。我们用“实际变化糖尿病数据集”来说明拟议的方法。

0
下载
关闭预览

相关内容

因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
专知会员服务
60+阅读 · 2020年3月19日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年10月14日
Arxiv
0+阅读 · 2021年10月13日
Implicit Maximum Likelihood Estimation
Arxiv
7+阅读 · 2018年9月24日
Arxiv
3+阅读 · 2014年10月9日
VIP会员
Top
微信扫码咨询专知VIP会员