论文部分内容阅读
本文受到SICA（smooth integration of counting and absolute deviation）方法的启发,提出一族基于反正切函数的非凸罚函数Arctan LASSO（Arctangent least absolute shrinkage and selection operator）,该罚函数可以进行参数估计和变量选取,而且提供了一种有效的平滑方法从L0过渡到L1罚函数,渐近性质表明Arctan LASSO估计量具有n1/2相合性和oracle性质.本文结合LLA（local linear approximation）和坐标下降法给出一种有效的迭代算法,并且基于BIC（Bayesian information criterion）准则选出合适的正则化参数.模拟数据分析显示Arctan LASSO在估计精度和变量选取方面有较好的表现,估计效果类似于SICA,而且通常优于LASSO、SCAD（smoothly clipped absolute deviation）、MCP（minimax concave penalty）和自适应LASSO.该方法在实际数据中可以用于变量选取的研究,具有重要的实际意义.