Tuning parameter selection in econometrics
计量经济学中的调参选择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：摘要讨论通用非参数与稀疏估计的调参方法，没有限定所列实质性计量方向。
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
计量经济学中的调参选择
- 研究问题
- 在非参数级数估计和 Lasso 等 ℓ₁ 惩罚估计中，如何选择调参，以及不同准则的直觉、适用条件和相对优势是什么？
- 方法与思路
- 作者综述级数估计中的 Mallows、Stein、Lepski、交叉验证、惩罚和聚合方法，以及 Lasso 中的自标准化理论、bootstrap 等方案。
- 材料陈述的贡献
- 摘要明确以方法综述为贡献，解释两类估计问题中主要调参方案的直觉、比较优势并介绍扩展，没有陈述统一最优的选择规则。
- 阅读关注点
- 应核对各方法优化的风险目标、理论保证及适用条件，特别是级数估计与 Lasso 的差异，以及计算代价和数据依赖如何处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未展开理论条件、扩展内容或数值比较，不能据此判断具体任务的最佳调参法。
原文摘要
I review some of the main methods for selecting tuning parameters in nonparametric and $\ell_1$-penalized estimation. For the nonparametric estimation, I consider the methods of Mallows, Stein, Lepski, cross-validation, penalization, and aggregation in the context of series estimation. For the $\ell_1$-penalized estimation, I consider the methods based on the theory of self-normalized moderate deviations, bootstrap, Stein's unbiased risk estimation, and cross-validation in the context of Lasso estimation. I explain the intuition behind each of the methods and discuss their comparative advantages. I also give some extensions.