LARSによって検出されたモデルが、徹底的な検索によって検出されたモデルと最も異なると予想される設定はどれですか。

もう少し情報; 仮定

1. 事前に、選択する変数の数、およびLARSプロシージャで複雑さのペナルティを設定していることがわかります
2. 計算コストは​​問題ではありません（変数の総数は少なく、たとえば50です）。
3. すべての変数（y、x）が連続的であること。

LARSモデル（つまり、LARSフィットで非ゼロ係数をもつ変数のOLSフィット）は、同じ数の係数を持つモデルと最も異なりますが、徹底的な検索（la regsubsets（））によって見つかりますか？

編集：50の変数と250の観測値を使用して、標準のガウスから抽出された実際の係数を使用します。選択した変数の2つのセットの違いはわずかなので、これらの設定は明らかに良くありません。これは本当に、ほとんどの違いを得るにはどのタイプのデータ構成をシミュレートする必要があるのか​​という問題です。

ここでLARSアルゴリズムの説明は次のとおりです。http://www-stat.stanford.edu/~tibs/lasso/simple.htmlそれは一種私はそれが上逃す可能性があることを推測するベンチャー企業ですので、無視し説明変数間の相関の多重共線性の場合の適合。

サンプル数との関係で、より多くの機能を使用すると、LARSを使用した場合よりも、強力な検索方法を使用した場合に、より多くの適合が得られる可能性があります。LARSで使用されるペナルティ用語は、単一の正則化パラメーターによってインデックスが付けられ、ますます複雑なモデルの入れ子構造を課すため、LARSを使用した機能選択の「自由度」はかなり低くなります。強引な検索の場合、特徴ごとに事実上1つの（バイナリ）自由度があります。つまり、強引な検索では、データのランダムサンプリングにより、特徴選択基準のランダムな変動性をよりうまく活用できます。その結果、「仮説クラス」が大きいほど、強引な検索モデルは特徴選択基準に厳しく適合される可能性が高くなります。