Re: Regresión cuantil y expectil penalizada: estado cambiado a: ReconocidoRe: Regresión cuantil y expectil penalizada - Estado cambiado a: InvestigandoRegresión cuantil y expectil penalizadaEstimado equipo,
Dos de nuestros clientes académicos han solicitado regresión cuantil y expectil penalizada
Cliente 1: Profesor Dr. Venkatesh, Universidad Alianza
Cliente 2: Profesor Dr. Abhijit, Myra School of Business
Actualmente estos no están disponibles con JMP17.
Gracias
Murali
Modelado estadístico avanzadoEstadísticas y análisisRe: Regresión cuantil y expectil penalizada - Estado cambiado a: NuevoHe dividido esto en dos Jiras.
Recibimos otra solicitud de regresión cuantil penalizada. Según el desarrollador, necesitaríamos implementar un nuevo método para poder hacer esto:
"Actualmente hacemos regresión cuantil en género usando mínimos cuadrados reponderados iterativamente. Es posible que podamos usar IRLS y un truco de aumento de datos para hacer el lazo para la regresión cuantil, pero creo que el método del punto interior suele ser el método preferido para realizar una regresión cuantil penalizada (especialmente si queremos una penalización neta elástica). Así que probablemente necesitaríamos implementar un solucionador de puntos interiores si decidiéramos seguir adelante con esto".
Explorando la posibilidad de implementar en JMP 19.
Actualmente puedes realizar una regresión expectil en la plataforma no lineal. No hemos visto ninguna otra solicitud para agregar y no tiene tanto impulso como la regresión cuantil. Aquí hay un papel , proporcionado por el desarrollador, que sugiere que "la regresión exéctil no es tan sólida como la regresión cuantil".
Re: Regresión cuantil y expectil penalizada: estado cambiado a: Necesita información@muralidhara ¿Puede proporcionarnos alguna información adicional? Para la regresión penalizada, ¿es suficiente LASSO o el cliente también solicita Elastic Net y Ridge? Una implementación de LASSO puede ser relativamente sencilla, pero Elastic Net y Ridge serán más difíciles, ya que probablemente requerirán diferentes técnicas de optimización que no están disponibles actualmente en JMP.
