High-dimensional, robust, heteroscedastic variable selection with the adaptive LASSO, and applications to random coefficient regression

High-dimensional, robust, heteroscedastic variable selection with the adaptive LASSO, and applications to random coefficient regression

In this thesis, theoretical results for the adaptive LASSO in high-dimensional, sparse linear regression models with potentially heavy-tailed and heteroscedastic errors are developed. In doing so, the empirical pseudo Huber loss is considered as loss function and the main focus is sign-consistency o...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
1. Verfasser: Hermann, Philipp
Beteiligte: Holzmann, Hajo (Prof. Dr.) (BetreuerIn (Doktorarbeit))
Format: Dissertation
Sprache:Englisch
Veröffentlicht: Philipps-Universität Marburg 2021
Schlagworte:
sparsity
variable selection
robust regression
Mathematik
high-dimensional regression
linear
sign-consistency
heteroscedasticity
adaptive LASSO
Huber loss
Mathematics
Online Zugang:PDF-Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!

Online

PDF-Volltext

Bestandesangaben von
Signatur: urn:nbn:de:hebis:04-z2021-02489
Publikationsdatum: 2021-06-29
Datum der Annahme: 2021-04-19
Downloads: 27 (2024), 116 (2023), 129 (2022), 71 (2021)
Lizenz: https://creativecommons.org/licenses/by-nc-nd/4.0/
Zugangs-URL: https://archiv.ub.uni-marburg.de/diss/z2021/0248
https://doi.org/10.17192/z2021.0248

Ähnliche Einträge