作者：周建红; 赵尚威高维数据模型平均模型筛选泊松回归
摘要：当有很多候选模型并且不确定使用哪个模型时,模型平均是一种值得采用的方法.相对于单个模型,模型平均通常能够提高预测精度.文章提出了高维泊松回归的模型平均方法,证明了其最优性质,并通过数值模拟发现该方法能够提高计数变量的预测精度.同时,考虑到高维数据下,候选模型过多的问题,文章也提出了一种新的模型筛选方法：基于最小角回归（LARS）的LASSO（或ALASSO）修正算法的模型筛选方法.该种方法,可以大大减少计算负担.数值模拟也显示了该方法有很好的表现.
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
