When all the covariates are importa

When all the covariates are important or there are high correlations between variables, it may be more preferable to use q > 1 to avoid unnecessary variable deletion.Despite the flexibility of bridge estimators, the nonconvexity of the penalty function may reducethe practical use of the estimators. In order to avoid the nonconvex optimization problem weintroduce two algorithms for solving bridge regression. The first method applies the local quadratic approximation (LQA) suggested by Fan and Li (2001) and the second applies the local linear approximation (LLA) suggested by Zou and Li (2008).

Results (Russian) 1:

Когда все ковариаты имеют важное значение , или существуют высокие корреляции между переменными, она может быть более предпочтительно использовать Q> 1 , чтобы избежать ненужного удаления переменной.
Несмотря на гибкость мостовых оценок, невыпуклость функции штрафа может уменьшить
практическое использование оценок. Для того , чтобы избежать невыпуклых задач оптимизации мы
вводим два алгоритма для решения моста регрессии. Первый метод применяется локальная квадратичная аппроксимация (LQA) , предложенный вентилятор и Li (2001) , а второй применяется локальное линейное приближение (IIа) , предложенный Цзоу и Ли (2008).

Results (Russian) 2:

Когда все ковариаты важны или существуют высокие корреляции между переменными, может быть предпочтительнее использовать q q 1, чтобы избежать ненужного удаления переменной.
Несмотря на гибкость оценщиков мостов, несоответствие функции штрафа может
практическое использование оценщиков. Во избежание проблемы оптимизации неконвексмы мы
ввести два алгоритма для решения регрессии моста. Первый метод применяет местное квадратное приближение (ЛЗА), предложенное Фани и Ли (2001), а второй применяет местное линейное приближение (LLA), предложенное Цзоу и Ли (2008).

Results (Russian) 3:

в тех случаях, когда все согласованные переменные важны или имеют большую корреляцию между ними, было бы желательно использовать q > 1, чтобы избежать ненужного удаления переменных.
Несмотря на оценочную гибкость моста, ненавязчивость штрафной функции может уменьшиться
фактическое применение оценок.во избежание нерезких вопросов оптимизации мы
Представь алгоритм возвращения двух решающих мостов.первый подход основан на частичном квадратичном приближении (LQA), предложенном фаном и ли (2001), а второй - на локальном линейном приближении (LLA), предложенном Zou and Li (2008).