Tuning parameter selectors for the smoothly clipped absolute deviation method
SCAD 方法的调节参数选择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。
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：摘要核心是通用惩罚回归调参，劳动供给示例没有明确的因果、选择或结构估计设定。
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
SCAD 方法的调节参数选择
- 研究问题
- SCAD 惩罚最小二乘的变量选择表现如何依赖调节参数，常用广义交叉验证是否会过拟合，能否构造一致的选择准则？
- 方法与思路
- 作者分析广义交叉验证的调参行为，提出 BIC 型调节参数选择器，并用理论、模拟及女性劳动供给示例考察其表现。
- 材料陈述的贡献
- 摘要称广义交叉验证存在不可忽略的过拟合，而所提 BIC 型选择器能够一致识别真实模型；这些结论仍需核对适用条件。
- 阅读关注点
- 应核对真实模型与候选模型的设定、维度和信号条件、BIC 型准则的具体形式，以及模拟是否覆盖弱信号和相关协变量。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；一致性与 oracle 性质的具体条件、有限样本改进幅度未说明，不能推断刊本变化。
原文摘要
The penalised least squares approach with smoothly clipped absolute deviation penalty has been consistently demonstrated to be an attractive regression shrinkage and selection method. It not only automatically and consistently selects the important variables, but also produces estimators which are as efficient as the oracle estimator. However, these attractive features depend on appropriately choosing the tuning parameter. We show that the commonly used the generalised crossvalidation cannot select the tuning parameter satisfactorily, with a nonignorable overfitting effect in the resulting model. In addition, we propose a bic tuning parameter selector, which is shown to be able to identify the true model consistently. Simulation studies are presented to support theoretical findings, and an empirical example is given to illustrate its use in the Female Labor Supply data.