Załóżmy, że próbuję oszacować dużą liczbę parametrów na podstawie danych wielowymiarowych, używając pewnego rodzaju regularnych oszacowań. Regularizator wprowadza pewne szacunki do szacunków, ale nadal może być dobrym kompromisem, ponieważ zmniejszenie wariancji powinno więcej niż zrekompensować.
Problem pojawia się, gdy chcę oszacować przedziały ufności (np. Używając aproksymacji Laplace'a lub ładowania początkowego). W szczególności odchylenie w moich szacunkach prowadzi do złego pokrycia w moich przedziałach ufności, co utrudnia określenie częstych właściwości mojego estymatora.
Znalazłem kilka artykułów omawiających ten problem (np. „Asymptotyczne przedziały ufności w regresji grzbietu w oparciu o rozszerzenie Edgewortha” ), ale matematyka jest głównie ponad moją głową. W powiązanym dokumencie Równania 92-93 wydają się dostarczać współczynnik korygujący dla szacunków, które zostały uregulowane przez regresję grzbietu, ale zastanawiałem się, czy istnieją dobre procedury, które działałyby z szeregiem różnych regulizatorów.
Nawet korekta pierwszego rzędu byłaby niezwykle pomocna.
źródło
Odpowiedzi:
Istnieje niedawny artykuł, który dokładnie odpowiada na twoje pytanie (jeśli, jak rozumiem, chcesz wykonać regresję danych) i, na szczęście, zapewnia wyrażenia, które są łatwe do obliczenia (przedziały ufności i testowanie hipotez dla regresji wielowymiarowej).
Być może zainteresuje Cię również ostatnia praca Petera Bühlmanna na ten właśnie temat. Uważam jednak, że pierwszy artykuł zawiera to, czego szukasz, a treść jest łatwiejsza do strawienia (nie jestem też statystą).
źródło
http://cran.r-project.org/web/packages/hdi/index.html
Czy tego szukasz?
źródło