文献类型：期刊文章

作　　者：奚丽婧[1] 郭昭艳[1] 杨雪珂[1] 平智广[1]

Xi Lijing;Guo Zhaoyan;Yang Xueke;Ping Zhiguang(College of Public Health,Zhengzhou University,Zhengzhou 450001,China)

机构地区：[1]郑州大学公共卫生学院流行病与卫生统计学系,郑州450001

出　　处：《中华预防医学杂志》

基　　金：河南省高等学校重点科研资助项目(23B330005)。

年　　份：2023

卷　　号：57

期　　号：1

起止页码：107-111

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2023_2024、EAPJ、EMBASE、IC、JST、PUBMED、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：多重共线性是影响回归分析结果的一个重要问题,近年来发展的LASSO方法对于筛选解释性较高的变量、处理高维数据和解决多重共线性问题具有强大的优势。该方法是在模型估计中增加了惩罚项,能将一些不必要变量的回归系数压缩为零进而从模型中剔除,达到变量筛选的目的。本文将重点介绍LASSO这一方法,并与最优子集、岭回归、自适应LASSO与弹性网络的结果进行比较,结果显示LASSO与自适应LASSO在解决自变量多重共线性问题以及增强模型解释性、预测精度方面均有较好的表现。

关 键 词：模型,统计学  LASSO  多重共线性 回归分析  

分 类 号：R195.1]