次序L1惩罚估计在高维数据分析中的应用

针对变量选择问题,采用次序L1惩罚估计(SLOPE)方法,在一般稀疏回归模型中进行变量选择,并与LASSO方法进行比较。模拟研究结果表明:SLOPE方法可以在控制错误发现率(FDR)的同时,适应数据的稀疏性,提高预测准确率,验证了模型选择正确率及方法的有效性。