Numerical methods for estimating the tuning parameter in penalized least squares problems
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17310%2F19%3AA20023EA" target="_blank" >RIV/61988987:17310/19:A20023EA - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/61988987:17310/22:A2302EC6
Výsledek na webu
<a href="https://www.tandfonline.com/doi/full/10.1080/03610918.2019.1676436" target="_blank" >https://www.tandfonline.com/doi/full/10.1080/03610918.2019.1676436</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1080/03610918.2019.1676436" target="_blank" >10.1080/03610918.2019.1676436</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Numerical methods for estimating the tuning parameter in penalized least squares problems
Popis výsledku v původním jazyce
The solution of the penalized least squares problems depends on a tuning parameter. A popular tool for specifying the tuning parameter is the generalized cross-validation (GCV). In this work, we utilize estimates for the GCV function whose minimizers can lead to the determination of the tuning parameter. The selection of an efficient estimate depends on an appropriately defined index of proximity. Bounds and specific values are derived for this index and a thorough study proves that the proposed one-term estimate suits perfectly to statistical models with high correlated variables. This is confirmed through simulation tests for several datasets.
Název v anglickém jazyce
Numerical methods for estimating the tuning parameter in penalized least squares problems
Popis výsledku anglicky
The solution of the penalized least squares problems depends on a tuning parameter. A popular tool for specifying the tuning parameter is the generalized cross-validation (GCV). In this work, we utilize estimates for the GCV function whose minimizers can lead to the determination of the tuning parameter. The selection of an efficient estimate depends on an appropriately defined index of proximity. Bounds and specific values are derived for this index and a thorough study proves that the proposed one-term estimate suits perfectly to statistical models with high correlated variables. This is confirmed through simulation tests for several datasets.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10103 - Statistics and probability
Návaznosti výsledku
Projekt
—
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Communications in Statistics - Simulation and Computation
ISSN
0361-0918
e-ISSN
1532-4141
Svazek periodika
—
Číslo periodika v rámci svazku
Říjen
Stát vydavatele periodika
US - Spojené státy americké
Počet stran výsledku
22
Strana od-do
—
Kód UT WoS článku
000491387100001
EID výsledku v databázi Scopus
2-s2.0-85074442563