基于MM算法的高维泊松回归模型变量选择

针对高维计数型数据,往往会利用泊松回归模型进行分析研究。为了降低高维模型拟合的复杂度,该模型引入了惩罚项进行变量选择,进而提高模型的可解释性和预测性。MM算法是解决高维优化问题的一个重要且有效的工具,具有参数分离的优点。文章将MM算法应用于高维泊松回归模型的极大似然估计以及变量选择,利用组装分解技术把高维优化问题转为低维优化问题,避开了Newton-Raphson算法在矩阵求逆时的困难,同时也解决了目标函数的零点奇异性问题。模拟研究和实证分析结果表明,提出的算法具有稳定性和可靠性。