In this paper we use the penalized maximum likelihood and information criteria to propose a new boosting algorithm for various statistical models, including linear regression, generalized linear, and multi-class classification models. In contrast to previous studies, where the empirical goodness-of-fit measures were often used for model updating, information criteria, as a predictive measure of a model, are employed to select a model in each iteration of the proposed algorithms. In addition, the proposed algorithms select the smoothing parameter in each iteration whereas previous methods fixed the parameter for all iterations.
We show that the penalized maximum likelihood L₂ boosting is consistent for high-dimensional linear models under the conditions that (a) the true underlying regression function is sparse and (b) the number of predictor variables is allowed to grow exponentially. We then demonstrate the proposed boosting algorithms using both simulated and real data. Comparison with some existing methods shows that the proposed boosting algorithms work well.

抄録全体を表示

市場で取引される国債と社債の利回りを比べてみると, 通常, 社債の方が国債よりも利回りが高くなっている. これは社債は国債に比べ, 信用リスクや流動性リスクなどを含むためである. この利回りの差をリスクプレミアムという. リスクプレミアムは, 社債の発行企業の信用リスクを測る上で有用な情報であるため, 古くから債券価格から推定されてきた. 本稿では, 誘導型モデルを拡張した統計モデルを構築し, 金利・リスクプレミアムの期間構造の推定を行う. リスクプレミアムの期間構造の推定では,信用格付ごとにリスクプレミアムの推定をすることになるが, それでは同一格付内での発行企業間の違いが表現されないため, 発行企業の財務指標によりリスクプレミアムの水準が上下するようなモデルを用いる. 安道, 山下 (2005)では, モデルに取り入れる財務指標をあらかじめリスクプレミアムと関係性が高いと考えられる指標から選択し, リスクプレミアムの推定を行っている. そこで, 本研究ではFan and Li (2001) による変数選択を行う罰則項を用いた罰則付き最尤法により, 財務指標の変数選択とモデルのパラメータ推定を同時に行う手法を提案する.

抄録全体を表示

右側打ち切りを含む少数データに基づく寿命の分布のパラメトリック推定, および推定した分布に対する適合度検定手法について提案・考察を行う. 本稿は電気通信事業者において通信システムの寿命予測を目的とする加速試験の評価方法の検討を動機としており, 特に寿命の分布を2-parameterおよび3-parameter Weibull分布でモデル化した場合について考察する. 但し打ち切り時刻が確定値の場合を検討対象としている. 同手法はパラメトリック推定および適合度検定においてブートストラップ情報量規準を採用することにより, サンプルが少数である場合や, サンプルに打ち切りが混在する場合においても効果的に信頼性評価を実現する.

抄録全体を表示