Triple/Double-Debiased Lasso
三重 Lasso：双重去偏的高维回归推断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：摘要研究通用高维线性回归与 Z 估计，未明确对应因果、面板或其他所列应用方向。
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…
三重 Lasso：双重去偏的高维回归推断
- 研究问题
- 在高维线性回归中，如何进一步消除正则化引入的二阶偏差，从而改善低维参数推断与置信区间的有限样本表现？
- 方法与思路
- 作者构造同时满足一阶和二阶 Neyman 正交性的矩函数，提出三重 Lasso，并推导渐近线性表示及高阶正交矩的递推公式。
- 材料陈述的贡献
- 摘要称其余项阶数不大于标准双重 Lasso，且常更小；模拟支持推断和覆盖率改善，并给出一般 Z 估计的递推构造。
- 阅读关注点
- 应核对二阶正交性所需条件、余项比较的统一范围、额外干扰参数的估计要求，以及模拟中覆盖率改善的具体场景。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出稀疏性、设计条件或模拟数值，不能认定所有情形均有改善。
原文摘要
In this paper, we propose a triple (or double-debiased) Lasso estimator for inference on a low-dimensional parameter in high-dimensional linear regression models. The estimator is based on a moment function that satisfies not only first- but also second-order Neyman orthogonality conditions, thereby eliminating both the leading bias and the second-order bias induced by regularization. We derive an asymptotic linear representation for the proposed estimator and show that its remainder terms are never larger and are often smaller in order than those in the corresponding asymptotic linear representation for the standard double Lasso estimator. Because of this improvement, the triple Lasso estimator often yields more accurate finite-sample inference and confidence intervals with better coverage. Monte Carlo simulations confirm these gains. In addition, we provide a general recursive formula for constructing higher-order Neyman orthogonal moment functions in Z-estimation problems, which underlies the proposed estimator as a special case.