Information criteria for variable selection under sparsity
稀疏情形下用于变量选择的信息准则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：摘要涉及通用高维变量选择与风险评价，未指向所列具体应用领域。
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
稀疏情形下用于变量选择的信息准则
- 研究问题
- 在稀疏高维数据中，优化信息准则会引入额外选择偏差；研究关注如何修正准则，以服务于选定模型内的无收缩估计。
- 方法与思路
- 作者分别比较有无收缩的估计量，并以“镜像效应”解释选择偏差，进而分析 AIC、Mallows’ Cp 和最小角回归的停止规则。
- 材料陈述的贡献
- 摘要称，论文提出修正信息准则及新的停止规则，评价目标是相同变量选择结果下的无收缩最小二乘估计质量。
- 阅读关注点
- 应核对选择偏差的定义、镜像效应的推导、两条分析路径的适用范围，以及停止规则如何评价选择后的最小二乘风险。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；摘要未给出修正公式、理论条件或数值比较，不能据此认定普遍优于现有准则。
原文摘要
The optimization of an information criterion in a variable selection procedure leads to an additional bias, which can be substantial for sparse, high-dimensional data. One can compensate for the bias by applying shrinkage while estimating within the selected models. This paper presents modified information criteria for use in variable selection and estimation without shrinkage. The analysis motivating the modified criteria follows two routes. The first, which we explore for signal-plus-noise observations only, proceeds by comparing estimators with and without shrinkage. The second, discussed for general regression models, describes the optimization or selection bias as a double-sided effect, which we call a mirror effect: among the numerous insignificant variables, those with large, noisy values appear more valuable than an arbitrary variable, while in fact they carry more noise than an arbitrary variable. The mirror effect is investigated for Akaike’s information criterion and for Mallows’ Cp, with special attention paid to the latter criterion as a stopping rule in a least-angle regression routine. The result is a new stopping rule, which focuses not on the quality of a lasso shrinkage selection but on the least-squares estimator without shrinkage within the same selection.