文献类型：期刊文章

作　　者：张沥今[1] 魏夏琰[2] 陆嘉琦[2] 潘俊豪[1]

ZHANG Lijin;WEI Xiayan;LU Jiaqi;PAN Junhao(Department of Psychology,Sun Yat-sen University,Guangzhou 510006,China;Department of Psychology and Behavioral Sciences,Zhejiang University,Hangzhou 310028,China)

机构地区：[1]中山大学心理学系,广州510006 [2]浙江大学心理与行为科学系,杭州310028

出　　处：《心理科学进展》

基　　金：国家自然科学基金项目(31871128);教育部人文社会科学研究规划基金项目(18YJA190013)。

年　　份：2020

卷　　号：28

期　　号：10

起止页码：1777-I0002

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、CSSCI、CSSCI2019_2020、JST、NSSD、PUBMED、RCCSE、RWSKHX、ZGKJHX、核心刊

摘　　要：传统的最小二乘回归法关注于对当前数据集的准确估计,容易导致模型的过拟合,影响模型结论的可重复性。随着方法学领域的发展,涌现出的新兴统计工具可以弥补传统方法的局限,从过度关注回归系数值的解释转向提升研究结果的预测能力也愈加成为心理学领域重要的发展趋势。Lasso方法通过在模型估计中引入惩罚项的方式,可以获得更高的预测准确度和模型概化能力,同时也可以有效地处理过拟合和多重共线性问题,有助于心理学理论的构建和完善。

关 键 词：回归  正则化 预测  Lasso  

分 类 号：B841]