- 高等教育出版社
- 9787040670974
- 1版
- 16开
内容简介
本书旨在系统介绍高维统计学的基础思想、方法与理论，同时着力展现这些方法在数据分析实践中的巨大潜力。全书共有九章内容，包括绪论、线性回归模型与正则化方法、广义线性模型与变量选择、稳健的变量选择方法、超高维模型的变量筛选方法、协方差矩阵与精度矩阵的估计、多重假设检验与错误发现率控制、高维测量误差模型、高维回归模型的迁移学习等内容。书中还精心编排了大量习题，供读者巩固练习。
本书力求取材新颖、内容丰富、阐述严谨、推导详尽、重点突出、深入浅出、富有启发性，便于教学与自学。可作为高等学校统计学、数据科学和数学等相关专业的研究生与高年级本科生教材或参考书。同时，对从事数据分析相关工作的科技人员也具有极高的参考价值。
目录
目录
前辅文
第一章 绪论
1.1 大数据时代高维统计学的问题与挑战
1.2 维数的影响
1.2.1 计算
1.2.2 噪声累积
1.2.3 伪相关性
1.2.4 异母体性
1.3 关于本书
1.3.1 本书的主要内容
1.3.2 本书的一些符号介绍
1.3.3 本书适用对象
第二章 线性回归模型与正则化方法
2.1 线性回归模型
2.1.1 模型介绍
2.1.2 最小二乘估计
2.1.3 σ2的估计
2.1.4 假设检验
2.1.5 加权最小二乘方法
2.2 惩罚最小二乘方法
2.2.1 惩罚函数
2.2.2 惩罚最小二乘目标函数的性质分析
2.3 岭回归和桥回归
2.3.1 岭回归
2.3.2 桥回归
2.4 Lasso方法
2.4.1 L1惩罚最小二乘方法
2.4.2 调节参数λ的选择
2.4.3 ADMM算法
2.5 SCAD方法
2.5.1 SCAD方法与理论
2.5.2 算法
2.5.3 调节参数λ的选择
2.6 自适应Lasso
2.7 弹性网方法
2.8 高维Lasso方法
2.8.1 高维Lasso方法及其理论性质
2.8.2 去偏Lasso
2.8.3 传统Lasso方法的推广
2.9 方差σ2的估计和RCV方法
2.9.1 基于Lasso方法的方差估计
2.9.2 RCV方法
习题2
第三章 广义线性模型与变量选择
3.1 广义线性模型
3.1.1 指数族
3.1.2 广义线性模型和极大似然估计
3.1.3 迭代加权最小二乘算法
3.1.4 离差和拟合优度
3.2 惩罚似然和变量选择
3.2.1 惩罚似然方法
3.2.2 渐近性质
3.2.3 算法
3.2.4 调节参数λ的选择
3.3 高维广义线性模型的Lasso方法
3.3.1 Lasso惩罚极大似然估计和渐近性质
3.3.2 去偏Lasso方法
习题3
第四章 稳健的变量选择方法
4.1 稳健的损失函数
4.2 惩罚M估计方法
4.2.1 折叠凹惩罚M估计方法
4.2.2 Lasso惩罚Huber估计方法
4.3 惩罚分位数回归方法
4.3.1 Lasso惩罚分位数回归估计方法
4.3.2 SCAD惩罚分位数回归估计方法
4.3.3 复合分位数回归估计方法
4.3.4 光滑分位数回归估计方法
4.4 惩罚加权秩回归估计方法
习题4
第五章 超高维模型的变量筛选方法
5.1 Dantzig选择方法
5.2 边际Pearson相关系数的SIS方法
5.3 稳健的秩相关变量筛选方法
5.4 模型自由的变量筛选方法
5.4.1 确定性独立排序筛选方法
5.4.2 距离相关系数的变量筛选方法
5.5 分位数自适应的变量筛选方法
5.6 超高维广义线性模型的变量筛选
习题5
第六章 协方差矩阵与精度矩阵的估计
6.1 稀疏协方差矩阵的估计
6.1.1 阈值估计方法
6.1.2 自适应阈值估计方法
6.1.3 渐近性质
6.1.4 广义阈值估计方法
6.1.5 正定矩阵的求解
6.2 稀疏精度矩阵的估计
6.2.1 高斯图模型
6.2.2 惩罚似然方法
6.2.3 逐列估计方法
6.2.4 CLIME估计
6.3 协方差矩阵与精度矩阵的稳健估计
6.3.1 协方差矩阵的稳健估计
6.3.2 精度矩阵的稳健估计
6.3.3 协方差矩阵的EC2估计
6.3.4 椭球copula族的推广
6.4 基于因子模型的协方差矩阵估计
6.4.1 因子模型
6.4.2 具有可观测因子的协方差矩阵估计
6.4.3 具有不可观测因子的协方差矩阵估计
习题6
第七章 多重假设检验与错误发现率控制
7.1 大规模多重假设检验
7.1.1 大规模多重假设检验问题
7.1.2 多重假设检验中的两类错误
7.2 错误发现率
7.2.1 FWER准则
7.2.2 错误发现率准则
7.2.3 BH方法的FDR控制
7.2.4 BH方法的改进和推广
7.3 固定-X knockoff方法
7.3.1 高斯线性模型下的固定-X knockoff方法
7.3.2 高维knockoff方法
7.3.3 GGM knockoff方法
7.4 模型-X knockoff方法
7.5 图非线性knockoff方法
7.6 部分线性模型的稳定广义knockoff方法
7.7 镜像统计量方法
7.7.1 高斯镜像统计量方法
7.7.2 数据分割的镜像统计量方法
7.8 e值和多重假设检验的e-BH方法
7.8.1 e值的定义与假设检验
7.8.2 多重假设检验的e-BH方法
7.8.3 e-BH方法和现有方法的关联
习题7
第八章 高维测量误差模型
8.1 线性测量误差模型及其纠偏方法
8.1.1 回归校正的估计方法
8.1.2 M估计方法
8.1.3 SIMEX估计方法
8.1.4 工具变量方法
8.1.5 测量误差协方差矩阵Σuu的估计
8.2 高维线性测量误差模型的估计与理论
8.2.1 高维线性测量误差模型的挑战
8.2.2 非凸Lasso方法
8.2.3 CoCoLasso方法
8.2.4 平衡估计方法
8.2.5 CaZnRLS估计方法
8.2.6 补偿的MU选择方法
8.2.7 校正的隐式正则化方法
8.3 高维广义线性测量误差模型
8.3.1 广义MU选择方法
8.3.2 高维泊松测量误差模型的估计
8.4 高维测量误差模型的假设检验
8.4.1 校正的去相关得分检验
8.4.2 泊松测量误差模型的Wald与得分检验
8.5 高维部分线性测量误差模型
8.5.1 校正均衡估计方法
8.5.2 校正均衡多重二次选择方法
习题8
第九章 高维回归模型的迁移学习
9.1 高维线性模型的迁移学习
9.1.1 高维线性模型的Trans-Lasso方法
9.1.2 高维线性模型的联合迁移学习方法
9.2 高维广义线性模型的迁移学习
9.2.1 广义线性模型的Trans-GLM方法
9.2.2 广义线性模型的约束L1 最小化法
9.3 高维分位数回归模型的迁移学习
习题9
参考文献
索引
前辅文
第一章 绪论
1.1 大数据时代高维统计学的问题与挑战
1.2 维数的影响
1.2.1 计算
1.2.2 噪声累积
1.2.3 伪相关性
1.2.4 异母体性
1.3 关于本书
1.3.1 本书的主要内容
1.3.2 本书的一些符号介绍
1.3.3 本书适用对象
第二章 线性回归模型与正则化方法
2.1 线性回归模型
2.1.1 模型介绍
2.1.2 最小二乘估计
2.1.3 σ2的估计
2.1.4 假设检验
2.1.5 加权最小二乘方法
2.2 惩罚最小二乘方法
2.2.1 惩罚函数
2.2.2 惩罚最小二乘目标函数的性质分析
2.3 岭回归和桥回归
2.3.1 岭回归
2.3.2 桥回归
2.4 Lasso方法
2.4.1 L1惩罚最小二乘方法
2.4.2 调节参数λ的选择
2.4.3 ADMM算法
2.5 SCAD方法
2.5.1 SCAD方法与理论
2.5.2 算法
2.5.3 调节参数λ的选择
2.6 自适应Lasso
2.7 弹性网方法
2.8 高维Lasso方法
2.8.1 高维Lasso方法及其理论性质
2.8.2 去偏Lasso
2.8.3 传统Lasso方法的推广
2.9 方差σ2的估计和RCV方法
2.9.1 基于Lasso方法的方差估计
2.9.2 RCV方法
习题2
第三章 广义线性模型与变量选择
3.1 广义线性模型
3.1.1 指数族
3.1.2 广义线性模型和极大似然估计
3.1.3 迭代加权最小二乘算法
3.1.4 离差和拟合优度
3.2 惩罚似然和变量选择
3.2.1 惩罚似然方法
3.2.2 渐近性质
3.2.3 算法
3.2.4 调节参数λ的选择
3.3 高维广义线性模型的Lasso方法
3.3.1 Lasso惩罚极大似然估计和渐近性质
3.3.2 去偏Lasso方法
习题3
第四章 稳健的变量选择方法
4.1 稳健的损失函数
4.2 惩罚M估计方法
4.2.1 折叠凹惩罚M估计方法
4.2.2 Lasso惩罚Huber估计方法
4.3 惩罚分位数回归方法
4.3.1 Lasso惩罚分位数回归估计方法
4.3.2 SCAD惩罚分位数回归估计方法
4.3.3 复合分位数回归估计方法
4.3.4 光滑分位数回归估计方法
4.4 惩罚加权秩回归估计方法
习题4
第五章 超高维模型的变量筛选方法
5.1 Dantzig选择方法
5.2 边际Pearson相关系数的SIS方法
5.3 稳健的秩相关变量筛选方法
5.4 模型自由的变量筛选方法
5.4.1 确定性独立排序筛选方法
5.4.2 距离相关系数的变量筛选方法
5.5 分位数自适应的变量筛选方法
5.6 超高维广义线性模型的变量筛选
习题5
第六章 协方差矩阵与精度矩阵的估计
6.1 稀疏协方差矩阵的估计
6.1.1 阈值估计方法
6.1.2 自适应阈值估计方法
6.1.3 渐近性质
6.1.4 广义阈值估计方法
6.1.5 正定矩阵的求解
6.2 稀疏精度矩阵的估计
6.2.1 高斯图模型
6.2.2 惩罚似然方法
6.2.3 逐列估计方法
6.2.4 CLIME估计
6.3 协方差矩阵与精度矩阵的稳健估计
6.3.1 协方差矩阵的稳健估计
6.3.2 精度矩阵的稳健估计
6.3.3 协方差矩阵的EC2估计
6.3.4 椭球copula族的推广
6.4 基于因子模型的协方差矩阵估计
6.4.1 因子模型
6.4.2 具有可观测因子的协方差矩阵估计
6.4.3 具有不可观测因子的协方差矩阵估计
习题6
第七章 多重假设检验与错误发现率控制
7.1 大规模多重假设检验
7.1.1 大规模多重假设检验问题
7.1.2 多重假设检验中的两类错误
7.2 错误发现率
7.2.1 FWER准则
7.2.2 错误发现率准则
7.2.3 BH方法的FDR控制
7.2.4 BH方法的改进和推广
7.3 固定-X knockoff方法
7.3.1 高斯线性模型下的固定-X knockoff方法
7.3.2 高维knockoff方法
7.3.3 GGM knockoff方法
7.4 模型-X knockoff方法
7.5 图非线性knockoff方法
7.6 部分线性模型的稳定广义knockoff方法
7.7 镜像统计量方法
7.7.1 高斯镜像统计量方法
7.7.2 数据分割的镜像统计量方法
7.8 e值和多重假设检验的e-BH方法
7.8.1 e值的定义与假设检验
7.8.2 多重假设检验的e-BH方法
7.8.3 e-BH方法和现有方法的关联
习题7
第八章 高维测量误差模型
8.1 线性测量误差模型及其纠偏方法
8.1.1 回归校正的估计方法
8.1.2 M估计方法
8.1.3 SIMEX估计方法
8.1.4 工具变量方法
8.1.5 测量误差协方差矩阵Σuu的估计
8.2 高维线性测量误差模型的估计与理论
8.2.1 高维线性测量误差模型的挑战
8.2.2 非凸Lasso方法
8.2.3 CoCoLasso方法
8.2.4 平衡估计方法
8.2.5 CaZnRLS估计方法
8.2.6 补偿的MU选择方法
8.2.7 校正的隐式正则化方法
8.3 高维广义线性测量误差模型
8.3.1 广义MU选择方法
8.3.2 高维泊松测量误差模型的估计
8.4 高维测量误差模型的假设检验
8.4.1 校正的去相关得分检验
8.4.2 泊松测量误差模型的Wald与得分检验
8.5 高维部分线性测量误差模型
8.5.1 校正均衡估计方法
8.5.2 校正均衡多重二次选择方法
习题8
第九章 高维回归模型的迁移学习
9.1 高维线性模型的迁移学习
9.1.1 高维线性模型的Trans-Lasso方法
9.1.2 高维线性模型的联合迁移学习方法
9.2 高维广义线性模型的迁移学习
9.2.1 广义线性模型的Trans-GLM方法
9.2.2 广义线性模型的约束L1 最小化法
9.3 高维分位数回归模型的迁移学习
习题9
参考文献
索引
前辅文
第一章 绪论
1.1 大数据时代高维统计学的问题与挑战
1.2 维数的影响
1.2.1 计算
1.2.2 噪声累积
1.2.3 伪相关性
1.2.4 异母体性
1.3 关于本书
1.3.1 本书的主要内容
1.3.2 本书的一些符号介绍
1.3.3 本书适用对象
第二章 线性回归模型与正则化方法
2.1 线性回归模型
2.1.1 模型介绍
2.1.2 最小二乘估计
2.1.3 σ2的估计
2.1.4 假设检验
2.1.5 加权最小二乘方法
2.2 惩罚最小二乘方法
2.2.1 惩罚函数
2.2.2 惩罚最小二乘目标函数的性质分析
2.3 岭回归和桥回归
2.3.1 岭回归
2.3.2 桥回归
2.4 Lasso方法
2.4.1 L1惩罚最小二乘方法
2.4.2 调节参数λ的选择
2.4.3 ADMM算法
2.5 SCAD方法
2.5.1 SCAD方法与理论
2.5.2 算法
2.5.3 调节参数λ的选择
2.6 自适应Lasso
2.7 弹性网方法
2.8 高维Lasso方法
2.8.1 高维Lasso方法及其理论性质
2.8.2 去偏Lasso
2.8.3 传统Lasso方法的推广
2.9 方差σ2的估计和RCV方法
2.9.1 基于Lasso方法的方差估计
2.9.2 RCV方法
习题2
第三章 广义线性模型与变量选择
3.1 广义线性模型
3.1.1 指数族
3.1.2 广义线性模型和极大似然估计
3.1.3 迭代加权最小二乘算法
3.1.4 离差和拟合优度
3.2 惩罚似然和变量选择
3.2.1 惩罚似然方法
3.2.2 渐近性质
3.2.3 算法
3.2.4 调节参数λ的选择
3.3 高维广义线性模型的Lasso方法
3.3.1 Lasso惩罚极大似然估计和渐近性质
3.3.2 去偏Lasso方法
习题3
第四章 稳健的变量选择方法
4.1 稳健的损失函数
4.2 惩罚M估计方法
4.2.1 折叠凹惩罚M估计方法
4.2.2 Lasso惩罚Huber估计方法
4.3 惩罚分位数回归方法
4.3.1 Lasso惩罚分位数回归估计方法
4.3.2 SCAD惩罚分位数回归估计方法
4.3.3 复合分位数回归估计方法
4.3.4 光滑分位数回归估计方法
4.4 惩罚加权秩回归估计方法
习题4
第五章 超高维模型的变量筛选方法
5.1 Dantzig选择方法
5.2 边际Pearson相关系数的SIS方法
5.3 稳健的秩相关变量筛选方法
5.4 模型自由的变量筛选方法
5.4.1 确定性独立排序筛选方法
5.4.2 距离相关系数的变量筛选方法
5.5 分位数自适应的变量筛选方法
5.6 超高维广义线性模型的变量筛选
习题5
第六章 协方差矩阵与精度矩阵的估计
6.1 稀疏协方差矩阵的估计
6.1.1 阈值估计方法
6.1.2 自适应阈值估计方法
6.1.3 渐近性质
6.1.4 广义阈值估计方法
6.1.5 正定矩阵的求解
6.2 稀疏精度矩阵的估计
6.2.1 高斯图模型
6.2.2 惩罚似然方法
6.2.3 逐列估计方法
6.2.4 CLIME估计
6.3 协方差矩阵与精度矩阵的稳健估计
6.3.1 协方差矩阵的稳健估计
6.3.2 精度矩阵的稳健估计
6.3.3 协方差矩阵的EC2估计
6.3.4 椭球copula族的推广
6.4 基于因子模型的协方差矩阵估计
6.4.1 因子模型
6.4.2 具有可观测因子的协方差矩阵估计
6.4.3 具有不可观测因子的协方差矩阵估计
习题6
第七章 多重假设检验与错误发现率控制
7.1 大规模多重假设检验
7.1.1 大规模多重假设检验问题
7.1.2 多重假设检验中的两类错误
7.2 错误发现率
7.2.1 FWER准则
7.2.2 错误发现率准则
7.2.3 BH方法的FDR控制
7.2.4 BH方法的改进和推广
7.3 固定-X knockoff方法
7.3.1 高斯线性模型下的固定-X knockoff方法
7.3.2 高维knockoff方法
7.3.3 GGM knockoff方法
7.4 模型-X knockoff方法
7.5 图非线性knockoff方法
7.6 部分线性模型的稳定广义knockoff方法
7.7 镜像统计量方法
7.7.1 高斯镜像统计量方法
7.7.2 数据分割的镜像统计量方法
7.8 e值和多重假设检验的e-BH方法
7.8.1 e值的定义与假设检验
7.8.2 多重假设检验的e-BH方法
7.8.3 e-BH方法和现有方法的关联
习题7
第八章 高维测量误差模型
8.1 线性测量误差模型及其纠偏方法
8.1.1 回归校正的估计方法
8.1.2 M估计方法
8.1.3 SIMEX估计方法
8.1.4 工具变量方法
8.1.5 测量误差协方差矩阵Σuu的估计
8.2 高维线性测量误差模型的估计与理论
8.2.1 高维线性测量误差模型的挑战
8.2.2 非凸Lasso方法
8.2.3 CoCoLasso方法
8.2.4 平衡估计方法
8.2.5 CaZnRLS估计方法
8.2.6 补偿的MU选择方法
8.2.7 校正的隐式正则化方法
8.3 高维广义线性测量误差模型
8.3.1 广义MU选择方法
8.3.2 高维泊松测量误差模型的估计
8.4 高维测量误差模型的假设检验
8.4.1 校正的去相关得分检验
8.4.2 泊松测量误差模型的Wald与得分检验
8.5 高维部分线性测量误差模型
8.5.1 校正均衡估计方法
8.5.2 校正均衡多重二次选择方法
习题8
第九章 高维回归模型的迁移学习
9.1 高维线性模型的迁移学习
9.1.1 高维线性模型的Trans-Lasso方法
9.1.2 高维线性模型的联合迁移学习方法
9.2 高维广义线性模型的迁移学习
9.2.1 广义线性模型的Trans-GLM方法
9.2.2 广义线性模型的约束L1 最小化法
9.3 高维分位数回归模型的迁移学习
习题9
参考文献
索引
前辅文
第一章 绪论
1.1 大数据时代高维统计学的问题与挑战
1.2 维数的影响
1.2.1 计算
1.2.2 噪声累积
1.2.3 伪相关性
1.2.4 异母体性
1.3 关于本书
1.3.1 本书的主要内容
1.3.2 本书的一些符号介绍
1.3.3 本书适用对象
第二章 线性回归模型与正则化方法
2.1 线性回归模型
2.1.1 模型介绍
2.1.2 最小二乘估计
2.1.3 σ2的估计
2.1.4 假设检验
2.1.5 加权最小二乘方法
2.2 惩罚最小二乘方法
2.2.1 惩罚函数
2.2.2 惩罚最小二乘目标函数的性质分析
2.3 岭回归和桥回归
2.3.1 岭回归
2.3.2 桥回归
2.4 Lasso方法
2.4.1 L1惩罚最小二乘方法
2.4.2 调节参数λ的选择
2.4.3 ADMM算法
2.5 SCAD方法
2.5.1 SCAD方法与理论
2.5.2 算法
2.5.3 调节参数λ的选择
2.6 自适应Lasso
2.7 弹性网方法
2.8 高维Lasso方法
2.8.1 高维Lasso方法及其理论性质
2.8.2 去偏Lasso
2.8.3 传统Lasso方法的推广
2.9 方差σ2的估计和RCV方法
2.9.1 基于Lasso方法的方差估计
2.9.2 RCV方法
习题2
第三章 广义线性模型与变量选择
3.1 广义线性模型
3.1.1 指数族
3.1.2 广义线性模型和极大似然估计
3.1.3 迭代加权最小二乘算法
3.1.4 离差和拟合优度
3.2 惩罚似然和变量选择
3.2.1 惩罚似然方法
3.2.2 渐近性质
3.2.3 算法
3.2.4 调节参数λ的选择
3.3 高维广义线性模型的Lasso方法
3.3.1 Lasso惩罚极大似然估计和渐近性质
3.3.2 去偏Lasso方法
习题3
第四章 稳健的变量选择方法
4.1 稳健的损失函数
4.2 惩罚M估计方法
4.2.1 折叠凹惩罚M估计方法
4.2.2 Lasso惩罚Huber估计方法
4.3 惩罚分位数回归方法
4.3.1 Lasso惩罚分位数回归估计方法
4.3.2 SCAD惩罚分位数回归估计方法
4.3.3 复合分位数回归估计方法
4.3.4 光滑分位数回归估计方法
4.4 惩罚加权秩回归估计方法
习题4
第五章 超高维模型的变量筛选方法
5.1 Dantzig选择方法
5.2 边际Pearson相关系数的SIS方法
5.3 稳健的秩相关变量筛选方法
5.4 模型自由的变量筛选方法
5.4.1 确定性独立排序筛选方法
5.4.2 距离相关系数的变量筛选方法
5.5 分位数自适应的变量筛选方法
5.6 超高维广义线性模型的变量筛选
习题5
第六章 协方差矩阵与精度矩阵的估计
6.1 稀疏协方差矩阵的估计
6.1.1 阈值估计方法
6.1.2 自适应阈值估计方法
6.1.3 渐近性质
6.1.4 广义阈值估计方法
6.1.5 正定矩阵的求解
6.2 稀疏精度矩阵的估计
6.2.1 高斯图模型
6.2.2 惩罚似然方法
6.2.3 逐列估计方法
6.2.4 CLIME估计
6.3 协方差矩阵与精度矩阵的稳健估计
6.3.1 协方差矩阵的稳健估计
6.3.2 精度矩阵的稳健估计
6.3.3 协方差矩阵的EC2估计
6.3.4 椭球copula族的推广
6.4 基于因子模型的协方差矩阵估计
6.4.1 因子模型
6.4.2 具有可观测因子的协方差矩阵估计
6.4.3 具有不可观测因子的协方差矩阵估计
习题6
第七章 多重假设检验与错误发现率控制
7.1 大规模多重假设检验
7.1.1 大规模多重假设检验问题
7.1.2 多重假设检验中的两类错误
7.2 错误发现率
7.2.1 FWER准则
7.2.2 错误发现率准则
7.2.3 BH方法的FDR控制
7.2.4 BH方法的改进和推广
7.3 固定-X knockoff方法
7.3.1 高斯线性模型下的固定-X knockoff方法
7.3.2 高维knockoff方法
7.3.3 GGM knockoff方法
7.4 模型-X knockoff方法
7.5 图非线性knockoff方法
7.6 部分线性模型的稳定广义knockoff方法
7.7 镜像统计量方法
7.7.1 高斯镜像统计量方法
7.7.2 数据分割的镜像统计量方法
7.8 e值和多重假设检验的e-BH方法
7.8.1 e值的定义与假设检验
7.8.2 多重假设检验的e-BH方法
7.8.3 e-BH方法和现有方法的关联
习题7
第八章 高维测量误差模型
8.1 线性测量误差模型及其纠偏方法
8.1.1 回归校正的估计方法
8.1.2 M估计方法
8.1.3 SIMEX估计方法
8.1.4 工具变量方法
8.1.5 测量误差协方差矩阵Σuu的估计
8.2 高维线性测量误差模型的估计与理论
8.2.1 高维线性测量误差模型的挑战
8.2.2 非凸Lasso方法
8.2.3 CoCoLasso方法
8.2.4 平衡估计方法
8.2.5 CaZnRLS估计方法
8.2.6 补偿的MU选择方法
8.2.7 校正的隐式正则化方法
8.3 高维广义线性测量误差模型
8.3.1 广义MU选择方法
8.3.2 高维泊松测量误差模型的估计
8.4 高维测量误差模型的假设检验
8.4.1 校正的去相关得分检验
8.4.2 泊松测量误差模型的Wald与得分检验
8.5 高维部分线性测量误差模型
8.5.1 校正均衡估计方法
8.5.2 校正均衡多重二次选择方法
习题8
第九章 高维回归模型的迁移学习
9.1 高维线性模型的迁移学习
9.1.1 高维线性模型的Trans-Lasso方法
9.1.2 高维线性模型的联合迁移学习方法
9.2 高维广义线性模型的迁移学习
9.2.1 广义线性模型的Trans-GLM方法
9.2.2 广义线性模型的约束L1 最小化法
9.3 高维分位数回归模型的迁移学习
习题9
参考文献
索引
