Предположим, я пытаюсь оценить большое количество параметров по многомерным данным, используя некие регуляризованные оценки. Регуляризатор вносит некоторую погрешность в оценки, но это все же может быть хорошим компромиссом, потому что уменьшение дисперсии должно более чем компенсировать это.
Проблема возникает, когда я хочу оценить доверительные интервалы (например, используя приближение Лапласа или начальную загрузку). В частности, смещение в моих оценках приводит к плохому покрытию в моих доверительных интервалах, что затрудняет определение частотных свойств моей оценки.
Я нашел несколько работ, обсуждающих эту проблему (например, «Асимптотические доверительные интервалы в регрессии гребня на основе расширения Эджворта» ), но математика в основном выше моей головы. В связанном документе уравнения 92-93, кажется, обеспечивают поправочный коэффициент для оценок, которые были упорядочены с помощью регрессии гребня, но мне было интересно, существуют ли хорошие процедуры, которые будут работать с рядом различных регуляризаторов.
Даже исправление первого порядка было бы чрезвычайно полезно.
источник
Ответы:
Недавно появилась статья, в которой точно рассматривается ваш вопрос (если вы хотите выполнить регрессию на ваших данных, как я понимаю) и, к счастью, представлены выражения, которые легко вычислить (доверительные интервалы и проверка гипотез для многомерной регрессии).
Также вас может заинтересовать недавняя работа Питера Бюлмана на эту тему. Но я считаю, что первая статья дает вам то, что вы ищете, и содержание легче усваивается (я тоже не статистик).
источник
http://cran.r-project.org/web/packages/hdi/index.html
Это то, что вы ищете?
источник