高维线性混合模型中的固定效应选择
摘要：在这篇文章中，我们考虑了观测值分组的线性混合模型。我们提出了一种基于L1惩罚的方法，通过将随机效应视为缺失值，对固定效应系数的对数似然函数进行惩罚。我们使用多个循环的ECM算法来解决优化问题；它可以与任何针对线性模型开发的变量选择方法相结合。该算法允许参数p的数量大于观测值总数n；与lmmLasso（Schelldorfer,2011）相比，该算法更快，因为不需要求解n*n的矩阵。我们证明了当随机效应和残差的方差都已知时，Schelldorfer（2011）的理论结果适用于我们的方法。算法与变量选择方法（Rohart 2011）的组合在估计相关重要固定效应系数的集合以及估计方差方面表现良好；在常见情况（p< n）和高维情况（p > n）下，它优于lmmLasso。
作者：Florian Rohart, Magali San-Cristobal and B''eatrice Laurent
论文ID：1301.6365
分类：Computation
分类简称：stat.CO
提交时间：2013-01-29