Resumo O Lasso é um algoritmo proeminente para seleção de variáveis. No entanto, sua instabilidade na presença de variáveis correlacionadas em um cenário de alta dimensionalidade está bem documentada. Embora pesquisas anteriores tenham tentado abordar essa questão modificando a função de perda do Lasso, este artigo introduz uma abordagem que simplifica os dados processados pelo Lasso. Propomos que a descorrelação das variáveis antes de aplicar o Lasso melhora a estabilidade da seleção de variáveis, independentemente da direção da correlação entre os preditores. Além disso, destacamos que a condição irrepresentável, que garante uma seleção consistente de variáveis para o Lasso, é satisfeita após a descorrelação das variáveis sob duas suposições. Além disso, ao notar que a instabilidade do Lasso não se limita a configurações de alta dimensionalidade, demonstramos a eficácia da abordagem proposta para dados de baixa dimensionalidade. Por fim, apresentamos resultados empíricos que indicam a eficácia do método proposto em diferentes técnicas de seleção de variáveis, destacando seu potencial para aplicação mais ampla. O pacote R é desenvolvido para facilitar a implementação da metodologia proposta neste artigo.
Nouraie et al. (Quarta-feira) estudaram essa questão.