The penalized least squares interpr

The penalized least squares interpretation of the classical random effects estimator suggests a possible way forward for quantile regression models with a large number of “fixed effects”. The introduction of a large number of individual fixed effects can significantly inflate the variability of estimates of other covariate effects. Regularization, or shrinkage of these individual effects toward a common value can help to modify this inflation effect. A general approach to estimating quantile regression models for longitudinal data is proposed employing
1 regularization methods.Sparse linear algebra and interior point methods for solving large linear programs are essential computational tools. © 2004 Elsevier Inc. All rights reserved.

ผลลัพธ์ (ไทย) 1:

การลงโทษอย่างน้อยสี่เหลี่ยมตีความประมาณผลสุ่มคลาสสิกแนะนำเป็นไปได้วิธี quantile รุ่นถดถอยมีจำนวนมาก "ผล fixed" การแนะนำของ fixed แต่ละผลจำนวนมากสามารถ significantly inflate ความแปรปรวนของการประมาณการของผลอื่น ๆ covariate Regularization การหดตัวของผลกระทบเหล่านี้แต่ละคนยังมีค่าทั่วไปสามารถช่วยปรับเปลี่ยนผล inflation นี้ แนวทางทั่วไปเพื่อประเมิน quantile รุ่นถดถอยสำหรับข้อมูลระยะยาวจะเสนอใช้วิธี regularization ที่ 1 พีชคณิตเชิงเส้นห่างและจุดภายในวิธีการแก้ปัญหาโปรแกรมเชิงเส้นขนาดใหญ่เป็นเครื่องมือคำนวณที่จำเป็น © 2004 Elsevier อิงค์ สงวนลิขสิทธิ์

ผลลัพธ์ (ไทย) 2:

ลงโทษตีความน้อยสแควร์ของผลสุ่มคลาสสิกประมาณการแสดงให้เห็นวิธีการที่เป็นไปได้ไปข้างหน้าสำหรับรุ่นถดถอย quantile ที่มีจำนวนมากของ "Fi ผลกระทบคงที่" การเปิดตัวของจำนวนมากของผลกระทบคงที่แต่ละคนสามารถมีนัยสำคัญอย่างมีในฟลอริด้ากินความแปรปรวนของการประเมินผลกระทบตัวแปรร่วมอื่น ๆ regularization หรือหดตัวจากผลกระทบของแต่ละบุคคลเหล่านี้ที่มีต่อค่าทั่วไปสามารถช่วยในการปรับเปลี่ยนนี้มีผลบังคับใช้ ation ฟลอริด้า วิธีการทั่วไปในการประเมินรูปแบบการถดถอย quantile สำหรับข้อมูลระยะยาวมีการเสนอการจ้าง 1 กูพีชคณิต methods.Sparse เชิงเส้นและจุดภายในวิธีการในการแก้ปัญหาโปรแกรมเชิงเส้นที่มีขนาดใหญ่เป็นเครื่องมือที่สำคัญในการคำนวณ © 2004 Elsevier Inc. สงวนลิขสิทธิ์