Контроль количества регрессоров в линейных уравнениях при построении списочной регрессионной модели

Авторы и правообладатели:

• Базилевский М. П. , Иркутский государственный университет путей сообщения (Иркутск, Россия)

• 1. Arkes J. Regression analysis: a practical introduction. – London: Routledge, 2023. – 412 p.
• 2. Айвазян С.А. Прикладная статистика и основы эконометрики / С.А. Айвазян, В.С. Мхитарян. – М.: НИТИ, 1998. – 1005 с.
• 3. Бугаев А.В. Описание регрессионных моделей для прогнозирования динамики численности горбуши Камчатского края на основе климато-океанологических и популяционно-генетических данных / А.В. Бугаев, О.Б. Тепнин, Н.Ю. Шпигальская, В.В. Кулик // Известия ТИНРО (Тихоокеанского науч.-исслед. рыбохозяйственного центра). – 2024. – Т. 204, № 2. – С. 477–508.
• 4. Иванов И.Ю. Регрессионная модель прогнозирования коэффициента растекания пленкообразующих огнетушащих составов по поверхности горючей жидкости от соотношения их компонентов / И.Ю. Иванов, О.Д. Навроцкий, А.О. Лихоманов, М.М. Журов // Вестник Университета гражданской защиты МЧС Беларуси. – 2024. – Т. 8, № 4. – С. 437–450.
• 5. Пелевин В.С. Корреляционно-регрессионная модель расчета массы микрогазотурбинных двигателей / В.С. Пелевин, А.А. Алексенцев, Е.П. Филинов // Вестник Моск. авиационного ин-та. – 2024. – Т. 31, № 3. – С. 147–157.
• 6. Микулик И.И. Методика для решения задачи выбора признаков в регрессионной модели Кокса // Вестник астрахан. гос. техн. ун-та. – Сер.: Управление, вычислительная техника и информатика. – 2024. – № 3. – С. 85–94.
• 7. Huang R. On analysis of silicon dioxide based on topological indices and entropy measure via regression model / R. Huang, M.F. Hanif, M.K. Siddiqui, M.F. Hanif, B. Gegbe // Scientific Reports. – 2024. – Vol. 14, No. 1. – P. 22478.
• 8. Isakov A.A. Regression models for calculating state-tostate coefficients of the rate of vibrational energy exchanges / A.A. Isakov, V.I. Gorikhovskii, M.Y. Melnik // Vestnik St. Petersburg University: Mathematics. – 2024. – Vol. 57, No. 2. – P. 226–235.
• 9. Носков С.И. Технология моделирования объектов с нестабильным функционированием и неопределенностью в данных. – Иркутск: Облинформпечать, 1996. – 320 с.
• 10. Носков С.И. Программный комплекс построения некоторых типов кусочно-линейных регрессий / С.И. Носков, А.А. Хоняков // Информационные технологии и математическое моделирование в управлении сложными системами. – 2019. – № 3 (4). – С. 47–55.
• 11. Базилевский М.П. Оценивание модульных линейных регрессионных моделей с помощью метода наименьших модулей / М.П. Базилевский, А.Б. Ойдопова // Вестник Перм. национального исслед. политехн. ун-та. Электротехника, информационные технологии, системы управления. – 2023. – № 45. – С. 130–146.
• 12. Базилевский М.П. Оценивание неизвестных параметров многослойной модульной регрессии методом наименьших модулей // Моделирование, оптимизация и информационные технологии. – 2024. – Т. 12, № 2 (45) [Электронный ресурс]. – URL: https://moitvivt.ru/ru/journal/pdf?id=1581 (дата обращения: 05.08.2025).
• 13. Базилевский М.П. Идентификация неизвестных параметров списочных регрессионных моделей методом наименьших модулей // System Analysis & Mathematical Modeling. – 2025. – Т. 7, № 2. – C. 248–262.
• 14. Грэхем Р. Конкретная математика. Основание информатики / Р. Грэхем, Д. Кнут, О. Паташник. – М.: Мир, 1998. – 703 с.
• 15. Wagner H.M. Linear Programming Techniques for Regression Analysis // Journal of the American Statistical Association. – 1959. – Vol. 54, No. 285. – P. 206–212.
• 16. Koch T. Progress in Mathematical Programming Solvers From 2001 to 2020 / T. Koch, T. Berthold, J. Pedersen, C. Vanaret // EURO Journal on Computational Optimization. – 2022. – Vol. 10. – P. 100031.
• 17. Konno H. Choosing the best set of variables in regression analysis using integer programming / H. Konno, R. Yamamoto // Journal of global optimization. – 2009. – Vol. 44, No. 2. – P. 273–282.
• 18. Базилевский М.П. Отбор оптимального числа информативных регрессоров по скорректированному коэффициенту детерминации в регрессионных моделях как задача частично целочисленного линейного программирования // Прикладная математика и вопросы управления. – 2020. – № 2. – С. 41–54.
• 19. Miyashiro R. Mixed integer second-order cone programming formulations for variable selection in linear regression / R. Miyashiro, Y. Takano // European Journal of Operational Research. – 2015. – Vol. 247, No. 3. – P. 721–731.
• 20. Civitelli E. An effective procedure for feature subset selection in logistic regression based on information criteria / E. Civitelli, M. Lapucci, F. Schoen, A. Sortino // Computational Optimization and Applications. – 2021. – Vol. 80, No. 1. – P. 1–32.
• 21. Ge D. Cardinal Optimizer (COPT) user guide / D. Ge, Q. Huangfu, Z. Wang, J. Wu, Y. Ye. – 2023. – Available at: https://guide.coap.online/copt/en-doc (Аccessed: 05.08.2025).