Estoy buscando estimar un GLM jerárquico pero con selección de características para determinar qué covariables son relevantes a nivel de población para incluir.
Supongamos que tengo grupos con observaciones y posibles covariables. Es decir, tengo una matriz de diseño de covariables , resultados \ boldsymbol {y} _ {(N \ cdot G) \ veces 1} . Los coeficientes en estas covariables son \ beta_ {K \ times 1} .
Supongamos que ~
El siguiente es un GLM bayesiano jerárquico estándar con modelo de muestreo logit y coeficientes de grupo normalmente distribuidos.
Quiero modificar este modelo (o encontrar un documento que lo haga, o un trabajo que lo discuta) de tal manera que haya una selección de características nítidas (como en LASSO) en la dimensionalidad de .
(1) La forma más directa y más simple sería regularizar esto a nivel de la población para restringir esencialmente la dimensionalidad de y todos tienen la misma dimensión.
(2) El modelo más matizado tendría una contracción a nivel de grupo, donde la dimensión de depende de la unidad jerárquica.
Estoy interesado en resolver 1 y 2, pero mucho más importante es 1.
fuente