Global variable selection for quantile regression
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/241720 |
Resumo: | A regressão quantílica fornece um modelo parcimonioso para a função quantílica condicional da variável resposta Y dado o vetor de covariáveis X, e descreve toda a distribuição condicional da resposta, produzindo estimadores mais robustos à presença de valores discrepantes. Os modelos de regressão quantílica especificam, para cada nível quantílico τ, a forma funcional para o τ -ésimo quantil condicional da resposta, o que traz complexidade para realizar a seleção de variáveis utilizando técnicas de regularização, como LASSO ou adaptive LASSO (adaLASSO), pois podemos obter um conjunto diferente de variáveis selecionadas para cada nível quantílico. Neste trabalho, propomos um método global para seleção de variáveis e estimação de coeficientes na estrutura de regressão quantílica linear, impondo poucas restrições à forma funcional de β(•), e aplicando penalização group adaLASSO para seleção de variáveis. Montamos um estudo de Monte Carlo comparando seis diferentes estimadores propostos baseados em LASSO, adaLASSO e group LASSO em seis cenários que variam o tamanho da amostra e o número de níveis quantílicos estimados. Os resultados demonstram que a seleção do parâmetro de ajuste λ para penalização é fundamental para a seleção das variáveis e estimativa do coeficiente. Observou-se que os métodos que utilizam LASSO tradicional são mais propensos a incluir o modelo verdadeiro em relação ao adaLASSO, mas renunciando à redução do modelo e não removendo covariáveis irrelevantes, enquanto as abordagens agrupadas são mais eficazes em zerar coeficientes menos relevantes. |
id |
URGS_bcd25faff5b0db17db35b29d2ff04216 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/241720 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Bellini, Tais LoureiroHorta, Eduardo de OliveiraCybis, Gabriela Bettella2022-07-05T05:06:44Z2022http://hdl.handle.net/10183/241720001143747A regressão quantílica fornece um modelo parcimonioso para a função quantílica condicional da variável resposta Y dado o vetor de covariáveis X, e descreve toda a distribuição condicional da resposta, produzindo estimadores mais robustos à presença de valores discrepantes. Os modelos de regressão quantílica especificam, para cada nível quantílico τ, a forma funcional para o τ -ésimo quantil condicional da resposta, o que traz complexidade para realizar a seleção de variáveis utilizando técnicas de regularização, como LASSO ou adaptive LASSO (adaLASSO), pois podemos obter um conjunto diferente de variáveis selecionadas para cada nível quantílico. Neste trabalho, propomos um método global para seleção de variáveis e estimação de coeficientes na estrutura de regressão quantílica linear, impondo poucas restrições à forma funcional de β(•), e aplicando penalização group adaLASSO para seleção de variáveis. Montamos um estudo de Monte Carlo comparando seis diferentes estimadores propostos baseados em LASSO, adaLASSO e group LASSO em seis cenários que variam o tamanho da amostra e o número de níveis quantílicos estimados. Os resultados demonstram que a seleção do parâmetro de ajuste λ para penalização é fundamental para a seleção das variáveis e estimativa do coeficiente. Observou-se que os métodos que utilizam LASSO tradicional são mais propensos a incluir o modelo verdadeiro em relação ao adaLASSO, mas renunciando à redução do modelo e não removendo covariáveis irrelevantes, enquanto as abordagens agrupadas são mais eficazes em zerar coeficientes menos relevantes.Quantile regression provides a parsimonious model for the conditional quantile function of the response variable Y given the vector of covariates X, and describes the whole conditional distribution of the response, yielding estimators that are more robust to the presence of outliers. Quantile regression models specify, for each quantile level τ , the functional form for the conditional τ -th quantile of the response, which brings complexity to perform variable selection using regularization techniques, such as LASSO or adaptive LASSO (adaLASSO), as we might obtain a different set of selected variables for each quantile level. In this work, we propose a method for global variable selection and coefficient estimation in the linear quantile regression framework, imposing little restrictions on the functional form of β(·), and applying group adaLASSO penalization for variable selection. We set up a Monte Carlo study comparing six different proposed estimators based on LASSO, adaLASSO and group LASSO in six scenarios that diversify sample and quantile levels grid sizes. The findings demonstrate that the selection of the tuning parameter λ for penalization is critical for model selection and coefficient estimation. It was observed that the methods using traditional LASSO are more prone to include the true model as compared to adaLASSO, but renouncing model shrinkage and not removing irrelevant covariates, while the grouped approches are more effective in zeroing coefficients that are less relevant.application/pdfengRegressão quantílicaSeleção de variáveisSimulação de Monte CarloGlobal variable selection for quantile regressioninfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de Matemática e EstatísticaPrograma de Pós-Graduação em EstatísticaPorto Alegre, BR-RS2022mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001143747.pdf.txt001143747.pdf.txtExtracted Texttext/plain105817http://www.lume.ufrgs.br/bitstream/10183/241720/2/001143747.pdf.txteadf554258e700738f79772118950f37MD52ORIGINAL001143747.pdfTexto completo (inglês)application/pdf1810509http://www.lume.ufrgs.br/bitstream/10183/241720/1/001143747.pdf1a40d51bd8276ef471a2d85aa4b6967aMD5110183/2417202022-07-06 04:57:32.179498oai:www.lume.ufrgs.br:10183/241720Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532022-07-06T07:57:32Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Global variable selection for quantile regression |
title |
Global variable selection for quantile regression |
spellingShingle |
Global variable selection for quantile regression Bellini, Tais Loureiro Regressão quantílica Seleção de variáveis Simulação de Monte Carlo |
title_short |
Global variable selection for quantile regression |
title_full |
Global variable selection for quantile regression |
title_fullStr |
Global variable selection for quantile regression |
title_full_unstemmed |
Global variable selection for quantile regression |
title_sort |
Global variable selection for quantile regression |
author |
Bellini, Tais Loureiro |
author_facet |
Bellini, Tais Loureiro |
author_role |
author |
dc.contributor.author.fl_str_mv |
Bellini, Tais Loureiro |
dc.contributor.advisor1.fl_str_mv |
Horta, Eduardo de Oliveira |
dc.contributor.advisor-co1.fl_str_mv |
Cybis, Gabriela Bettella |
contributor_str_mv |
Horta, Eduardo de Oliveira Cybis, Gabriela Bettella |
dc.subject.por.fl_str_mv |
Regressão quantílica Seleção de variáveis Simulação de Monte Carlo |
topic |
Regressão quantílica Seleção de variáveis Simulação de Monte Carlo |
description |
A regressão quantílica fornece um modelo parcimonioso para a função quantílica condicional da variável resposta Y dado o vetor de covariáveis X, e descreve toda a distribuição condicional da resposta, produzindo estimadores mais robustos à presença de valores discrepantes. Os modelos de regressão quantílica especificam, para cada nível quantílico τ, a forma funcional para o τ -ésimo quantil condicional da resposta, o que traz complexidade para realizar a seleção de variáveis utilizando técnicas de regularização, como LASSO ou adaptive LASSO (adaLASSO), pois podemos obter um conjunto diferente de variáveis selecionadas para cada nível quantílico. Neste trabalho, propomos um método global para seleção de variáveis e estimação de coeficientes na estrutura de regressão quantílica linear, impondo poucas restrições à forma funcional de β(•), e aplicando penalização group adaLASSO para seleção de variáveis. Montamos um estudo de Monte Carlo comparando seis diferentes estimadores propostos baseados em LASSO, adaLASSO e group LASSO em seis cenários que variam o tamanho da amostra e o número de níveis quantílicos estimados. Os resultados demonstram que a seleção do parâmetro de ajuste λ para penalização é fundamental para a seleção das variáveis e estimativa do coeficiente. Observou-se que os métodos que utilizam LASSO tradicional são mais propensos a incluir o modelo verdadeiro em relação ao adaLASSO, mas renunciando à redução do modelo e não removendo covariáveis irrelevantes, enquanto as abordagens agrupadas são mais eficazes em zerar coeficientes menos relevantes. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-07-05T05:06:44Z |
dc.date.issued.fl_str_mv |
2022 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/241720 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001143747 |
url |
http://hdl.handle.net/10183/241720 |
identifier_str_mv |
001143747 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/241720/2/001143747.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/241720/1/001143747.pdf |
bitstream.checksum.fl_str_mv |
eadf554258e700738f79772118950f37 1a40d51bd8276ef471a2d85aa4b6967a |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1797064755021611008 |