برآورد واگرایی برگمن تاوانیده از طریق نزول مختص

گزینش متغیر از طریق برآورد تاوانیده برای کاهش بعد برخوردار از جذابیت است. برای رگرسیون خطی تاوانیده، افران و همکاران (2004) الگوریتم LARS را مطرح کردند. اخیرا الگوریتم نزول مختص (CD) توسط فریدمن و همکاران (2007) برای رگرسیون خطی تاوانیده و رگرسیون لوژستیک تاوانیده پرورده و نشان داده شد که برتری محاسباتی به دست می آید. این مقاله به کاوش در الگوریتم CD دو برآورد واگرایی برگمن (BD) تاوانیده برای رده ای گسترده تر از مدل ها می پردازد که نه تنها مدل خطی تعمیم یافته را، که در نوشتگان مربوط به تاوانیدن به حد کفایت مطالعه شده، در بر می گیرد، بلکه مدل شبه درست نمایی را، که کمتر پرورده شده، شامل می شود. مطالعه براساس شبیه سازی و کاربرد داده های واقعی، عملکرد الگوریتم های CD و LARS را در برآورد رگرسیونی، گزینش متغیر و شیوه ی رده بندی موقعی که تعداد متغیرهای تبیینی در مقایسه با اندازه نمونه بزرگ است، تشریح می کند.