Penalized Likelihood Inference with Survey Data
调查数据中的惩罚似然推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确以调查 logit 模型及其平均边际效应为应用对象，支持离散选择分类。
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
调查数据中的惩罚似然推断
- 研究问题
- 在带调查权重或异方差的广义线性模型中，如何为 Lasso 估计后的参数及平均边际效应等非线性函数提供有效推断？
- 方法与思路
- 作者将去偏 Lasso、C(α) 与选择性推断扩展到调查数据环境，并进一步处理调查 logit 模型中的非线性参数函数。
- 材料陈述的贡献
- 摘要称建立了相关推断程序的渐近有效性，并使用模拟数据和加拿大2020年互联网使用调查展示方法的表现。
- 阅读关注点
- 应核对抽样设计和权重的处理方式、稀疏性及维数条件，以及非线性参数函数推断与变量选择之间的关系。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未说明复杂抽样依赖如何处理，也未给出适用条件与具体覆盖率结果。
原文摘要
This paper extends three Lasso inferential methods, Debiased Lasso, $C(α)$ and Selective Inference to a survey environment. We establish the asymptotic validity of the inference procedures in generalized linear models with survey weights and/or heteroskedasticity. Moreover, we generalize the methods to inference on nonlinear parameter functions e.g. the average marginal effect in survey logit models. We illustrate the effectiveness of the approach in simulated data and Canadian Internet Use Survey 2020 data.