基于惩罚极大Lq似然的Logistic回归系数的估计及变量选择

极大似然估计是Logistic回归模型的常用参数估计方法，且在一定条件下具有一致性和渐近正态性。但极大似然估计的优良性主要体现在大样本情况，当解释变量具有多重共线性且样本量较小时，为得到更好的拟合效果以及实现参数稀疏化，将极大Lq似然估计与Lasso惩罚结合，得到Lasso极大Lq似然估计。并运用数值模拟对Lasso极大似然估计和Lasso极大Lq似然估计进行比较得到，在样本量较小时，Lasso极大Lq似然估计的表现优于Lasso极大似然估计。