Data-driven ridge regression for Aa

Data-driven ridge regression for Aalen’s additive risk model

Two data-driven procedures, based respectively on the L-curve and generalized cross-validation, are proposed for ridge regression under Aalen’s additive risk model. Monte Carlo simulations show that the L-curve is a useful criterion for identifying a nominal degree of regularization that appreciably reduces variance, particularly in smaller samples.

ผลลัพธ์ (ไทย) 1:

ถดถอยริดจ์ขับเคลื่อนข้อมูลสำหรับแบบจำลองความเสี่ยงสามารถของ Aalenมีการนำเสนอสองข้อมูลขับเคลื่อนกระบวนการ ตามลำดับเส้นโค้ง L และเมจแบบทั่วไปข้ามตรวจสอบ การถดถอยริดจ์ภายใต้แบบจำลองความเสี่ยงสามารถของ Aalen จำลอง Carlo มอนแสดงว่าเส้นโค้ง L เกณฑ์ประโยชน์สำหรับระบุตัวระบุของ regularization ที่ appreciably ลดผลต่าง โดยเฉพาะอย่างยิ่งในตัวอย่างขนาดเล็ก

ผลลัพธ์ (ไทย) 2:

การถดถอยสันที่ขับเคลื่อนด้วยข้อมูลสำหรับรูปแบบความเสี่ยงของสารเติมแต่งอาเลนสองขั้นตอนที่ขับเคลื่อนด้วยข้อมูลพื้นฐานตามลำดับ L-โค้งและการตรวจสอบข้ามทั่วไปมีการเสนอสำหรับการถดถอยสันภายใต้รูปแบบที่มีความเสี่ยงของสารเติมแต่งอาเลน การจำลอง Monte Carlo แสดงให้เห็นว่า L-โค้งเป็นเกณฑ์ที่มีประโยชน์สำหรับการระบุในระดับเล็กน้อยจาก regularization ประเมินว่าจะช่วยลดความแปรปรวนโดยเฉพาะอย่างยิ่งในกลุ่มตัวอย่างที่มีขนาดเล็ก

ผลลัพธ์ (ไทย) 3:

ข้อมูลขับเคลื่อนจ๋าสำหรับ aalen แบบจำลองความเสี่ยงเพิ่ม

สอง - ขั้นตอนตาม ตามลำดับใน l-curve และข้ามการตรวจสอบโดยทั่วไปจะเสนอสำหรับจ๋า ภายใต้ aalen ของการบวกความเสี่ยงแบบ มอนติคาร์โลจำลองแสดงให้เห็นว่า l-curve เป็นเกณฑ์ที่มีประโยชน์สำหรับการระบุระดับปกติของผิดกฎหมายที่ได้ลดความแปรปรวนโดยเฉพาะอย่างยิ่งในกลุ่มตัวอย่างขนาดเล็ก