انتخاب متغير با استفاده از رگرسيون وارون ورقه شدۀ شبكه ارتجاعي سازوار

Variable selection using the adaptive elastic-net sliced inverse regression

شناسايي متغير هاي مؤثر، باعث ايجاد درك و تفسيرپذيري بهتر مدل، بهبود عملكرد و كارايي آن و در نهايت، رسيدن به پيش بيني بهتر مي شود. تاكنون، چندين روش براي انتخاب متغير پيشنهاد شده است؛ اما اغلب با مشكلاتي مانند عدم مدل سازي، هزينۀ محاسباتي بالا، بيش برازش، پيروي از توزيع و مدل خاصمواجه هستند و ابعاد بسنده را نيز، در نظر نمي گيرند. در اين مقاله، براي رفع اين محدوديت ها، روشي مبتني بر رگرسيون وارون ورقه شدۀ شبكه ارتجاعي سازوار، براي انتخاب متغير در شرايطي كه هم خطي بين متغيرهاي تبييني وجود دارد، ارائه مي شود. آنگاه در يكمطالعۀ شبيه سازي ، دقت و پايداري برآورد ضرايب و انتخاب متغيرهاي حاصل از اين روش، با شش روش منتخب پيشين، مورد ارزيابي و مقايسه قرار مي گيرد و ملاحظه مي شود كه روش پيشنهادي، به طور قابل توجهي نتايج را بهبود بخشيده است.

Identifying effective variables creates a better understanding and interpretability of a model, improves its performance and efficiency, and ultimately achieves better predictability. So far, several methods have been proposed for variable selection. Still, often they face problems such as non-modeling, high computational cost, over-fitting, following a specific distribution and model, and not considering sufficient dimensions. In this paper, to overcome these limitations, a method based on the inverse regression of the adaptive elasticnet is proposed to select the variable in situations with colinearity between the explanatory variables. Then, in a simulation study, the accuracy and stability of estimating the coefficients and selecting the variables obtained from this method are evaluated and compared with the six previously chosen methods. It is shown that the proposed method has significantly improved the results.