Ich möchte eine hierarchische GLM schätzen, aber mit Merkmalsauswahl, um zu bestimmen, welche Kovariaten auf Bevölkerungsebene relevant sind, um sie einzubeziehen.
Angenommen, ich habe Gruppen mit Beobachtungen und möglichen Kovariaten. Das heißt, ich habe eine Entwurfsmatrix von Kovariaten , Ergebnissen . Die Koeffizienten für diese Kovariaten sind . y ( N ≤ G ) × 1 & bgr; K × 1
Angenommen, ~B e r n o u l l i ( p ( x , β ) )
Das Folgende ist ein standardmäßiges hierarchisches Bayes'sches GLM mit einem Logit-Stichprobenmodell und normalverteilten Gruppenkoeffizienten.
Σ ~ I W ( V 0 , V - 1 0 )
Ich möchte dieses Modell so modifizieren (oder ein Papier finden, das dies tut, oder eine Arbeit, die es diskutiert), dass es eine scharfe Merkmalsauswahl (wie in LASSO) für die Dimensionalität von .
(1) Der einfachste und direkteste Weg wäre, dies auf Bevölkerungsebene zu regulieren, so dass wir die Dimensionalität von Wesentlichen einschränken und alle dieselbe Dimension haben.β
(2) Das nuanciertere Modell würde auf Gruppenebene schrumpfen, wobei die Dimension von von der hierarhischen Einheit abhängt.
Ich bin daran interessiert, 1 und 2 zu lösen, aber viel wichtiger ist 1.
quelle