LASSO回归 如何给出像一般线性回归OLS的自变量标准误

Question

R的glmnet包

1. glmnet(x=matrix_x1,y=matrix_y1,alpha=1,family="gaussian");
2. cv.glmnet(matrix_x1,matrix_y1,type.measure="mse",alpha=1,family="gaussian");

Df %Dev Lambda
[1,] 0 0.00000 0.7038000
[2,] 1 0.08548 0.6413000
[3,] 1 0.15650 0.5843000
[4,] 1 0.21540 0.5324000
[5,] 2 0.26510 0.4851000

9 x 1 sparse Matrix of class "dgCMatrix"
(Intercept) -0.88
ab_Jsw 0.07
ab_ACE -0.42
ab_MPD .

ab_mean .

ab_var 0.00
ab_skew -0.08
ab_kurt .

Type 0.63

只有输出预测变量的系数，没有标准误。如何能输出OLS（如下）的预测变量的标准误，还是本身就不能得到这个数据呢。

Coefficients:
Estimate Std. Error t value Pr(>|t|)

(Intercept) -0.44197 0.12736 -3.470 0.001041
ra_Jsw -0.10 0.12400 -0.868 0.389508

ra_ACE -0.04 0.10319 -0.425 0.672593

ra_MPD -0.05 0.14043 -0.383 0.703143

ra_mean 0.44 0.12582 3.521 0.000894 **
ra_var -0.62 0.30266 -2.062 0.044091 *

ra_skew 0.37 0.43590 0.855 0.396201

Answer 1

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 给你找了一篇非常好的博客，你可以看看是否有帮助，链接：线性回归与岭回归以及LASSO回归结果比较

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^