SCAD-penalized regression in high-dimensional partially linear models
高维部分线性模型中的 SCAD 惩罚回归AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用高维半参数回归，未说明因果识别、面板结构或其他所列领域应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高维部分线性模型中的 SCAD 惩罚回归
- 研究问题
- 当部分线性模型的线性协变量数量随样本增长且系数稀疏时，如何同时完成变量选择、线性系数估计与非参数分量估计？
- 方法与思路
- 作者在线性部分施加 SCAD 惩罚以实现稀疏选择，用多项式样条估计非参数分量，并通过理论、模拟及数据例子研究表现。
- 材料陈述的贡献
- 摘要称在适当条件下可同时实现选择与估计的一致性，非零系数估计还具有与预先知道零系数位置相对应的渐近 oracle 性质。
- 阅读关注点
- 应核对协变量维度、稀疏度、样条复杂度与惩罚参数之间的限制，以及非零系数渐近正态性和变量选择一致性的具体条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，无法判断条件强弱、调参方法及实例细节；渐近 oracle 性质不保证有限样本选择正确。
原文摘要
We consider the problem of simultaneous variable selection and estimation in partially linear models with a divergent number of covariates in the linear part, under the assumption that the vector of regression coefficients is sparse. We apply the SCAD penalty to achieve sparsity in the linear part and use polynomial splines to estimate the nonparametric component. Under reasonable conditions, it is shown that consistency in terms of variable selection and estimation can be achieved simultaneously for the linear and nonparametric components. Furthermore, the SCAD-penalized estimators of the nonzero coefficients are shown to have the asymptotic oracle property, in the sense that it is asymptotically normal with the same means and covariances that they would have if the zero coefficients were known in advance. The finite sample behavior of the SCAD-penalized estimators is evaluated with simulation and illustrated with a data set.