skip to main content
Language:
Search Limited to: Search Limited to: Resource type Show Results with: Show Results with: Search type Index

Variable selection via the weighted group lasso for factor analysis models

Canadian journal of statistics, 2012-06, Vol.40 (2), p.345-361 [Peer Reviewed Journal]

2012, Statistical Society of Canada/Société statistique du Canada ;Copyright © 2012 Statistical Society of Canada ;Copyright Statistical Society of Canada Jun 2012 ;ISSN: 0319-5724 ;EISSN: 1708-945X ;DOI: 10.1002/cjs.11129

Full text available

Citations Cited by
  • Title:
    Variable selection via the weighted group lasso for factor analysis models
  • Author: Hirose, Kei ; Konishi, Sadanori
  • Subjects: Analytical estimating ; Applied statistics ; Datasets ; Discriminant analysis ; Estimation ; Estimation methods ; Factor analysis ; Group lasso ; L_1$ regularization ; Mathematical independent variables ; Mathematical models ; Maximum likelihood estimation ; Maximum likelihood estimators ; Modeling ; Monte Carlo simulation ; MSC 2010: Primary 62H25 ; Number of factors ; Parameter estimation ; Parametric models ; secondary 62J07 ; Statistical models ; Studies ; Variable selection ; Weighted group lasso
  • Is Part Of: Canadian journal of statistics, 2012-06, Vol.40 (2), p.345-361
  • Description: We consider the problem of selecting variables in factor analysis models. The L₁ regularization procedure is introduced to perform an automatic variable selection. In the factor analysis model, each variable is controlled by multiple factors when there are more than one underlying factor. We treat parameters corresponding to the multiple factors as grouped parameters, and then apply the group lasso. Furthermore, the weight of the group lasso penalty is modified to obtain appropriate estimates and improve the performance of variable selection. Crucial issues in this modeling procedure include the selection of the number of factors and a regularization parameter. Choosing these parameters can be viewed as a model selection and evaluation problem. We derive a model selection criterion for evaluating the factor analysis model via the weighted group lasso. Monte Carlo simulations are conducted to investigate the effectiveness of the proposed procedure. A real data example is also given to illustrate our procedure. Nous nous intéressons à la sélection de variables dans un modèle d'analyse factorielle. Nous introduisons la procédure de régularisation L₁ pour faire une sélection de variables de façon automatique. Dans un modèle d'analyse factorielle, chaque variable est contrôlée par plusieurs facteurs lorsqu'il y a plus d'un facteur sous-jacent. Nous considérons les paramètres correspondant à plusieurs facteurs comme des paramètres groupés et nous appliquons un lasso de groupes. De plus, le poids de la fonction de pénalisation du lasso de groupes est modifié afin d'obtenir des estimations appropriées et d'améliorer la performance de la sélection de variables. Des questions sur le choix du nombre de facteurs et sur le paramètre de régularisation sont cruciales pour cette procédure. Le choix de ces paramètres peut être considéré comme la sélection d'un modèle et un problème d'évaluation. Nous obtenons un critère pour la sélection de modèles pour l'évaluation d'un modèle d'analyse factorielle en utilisant un lasso de groupes pondérés. L'efficacité de cette procédure est évaluée à l'aide de simulations de Monte-Carlo. Nous illustrons notre procédure à l'aide d'un vrai jeu de données.
  • Publisher: Hoboken, USA: John Wiley & Sons, Inc
  • Language: English
  • Identifier: ISSN: 0319-5724
    EISSN: 1708-945X
    DOI: 10.1002/cjs.11129
  • Source: Alma/SFX Local Collection
Back to results list
INSPIRE LIBRARY - TON DUC THANG UNIVERSITY (84-028) 37 755 057 Feedback
19 Nguyen Huu Tho St. Dist.7, HCM thuvien@tdtu.edu.vn

Copyright © 2017 INSPIRE LIBRARY - TON DUC THANG UNIVERSITY

Searching Remote Databases, Please Wait