ارسل ملاحظاتك

ارسل ملاحظاتك لنا







Sparse Dimension Reduction via Penalized Quantile MAVE

المصدر: مجلة القادسية للعلوم الإدارية والاقتصادية
الناشر: جامعة القادسية - كلية الادارة والاقتصاد
المؤلف الرئيسي: Malik, Doaa Tahir (Author)
مؤلفين آخرين: Alkenani, Ali (Co-Author)
المجلد/العدد: مج21, ع2
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2019
الصفحات: 1 - 11
ISSN: 1816-9171
رقم MD: 1234714
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EcoLink
مواضيع:
كلمات المؤلف المفتاحية:
Dimension Regression | Quantile Regression | MAVE | Quantile MAVE | Lasso
رابط المحتوى:
صورة الغلاف QR قانون
حفظ في:
المستخلص: In this paper, the quantile minimum average variance estimator method (QMAVE) and the sparse quantile minimum average variance estimator with lasso penalty (LQMAVE) were proposed. In addition, this paper introduced an inclusive study of QMAVE and LQMAVE. Efficient algorithms proposed to solve QMAVE and LQMAVE minimization problems. The real data analysis and simulations were used to examine the performance of QMAVE and LQMAVE, respectively. From the numerical results, it is clear that the QMAVE and LQMAVE are useful methods in practice.

ISSN: 1816-9171

عناصر مشابهة