A sorted penalty estimator: Inference for a correlation-robust shrinkage method
排序惩罚估计量：相关性稳健收缩方法的推断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。
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：核心是通用高维惩罚估计与推断，通胀解释应用不足以明确对应给定的时间序列或因子模型细分。
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
排序惩罚估计量：相关性稳健收缩方法的推断
- 研究问题
- 高维变量高度相关且数据可能具有依赖与厚尾时，如何实现稳健收缩、相关变量分组、模型选择及可用的统计推断？
- 方法与思路
- 作者将排序惩罚分解为收缩项和分组项，研究放宽混合与尾部条件后的性质，并提出具有渐近正态性的去偏估计量。
- 材料陈述的贡献
- 摘要称，框架建立非渐近与渐近性质、选择一致性和去偏推断；模拟报告优于传统基准，应用识别解释通胀的政策不确定性变量。
- 阅读关注点
- 应核对相关性稳健与分组性质的定义、混合和厚尾条件、调参及去偏步骤，并区分通胀应用中的变量关联与因果解释。
- 阅读边界
- 仅据所给出版社摘要，具体假设、误差界和模拟指标未说明；新闻类政策不确定性变量的重要性不能据此解释为因果作用。
原文摘要
Variable correlations pose significant challenges for various LASSO-type shrinkage methods in big-data modeling. This paper presents a comprehensive framework for a correlation-robust shrinkage estimator, enhancing both the theoretical and practical aspects of high-dimensional estimation. We break down the penalty term into a “shrinkage” term and a “grouping” term, illustrating its distinctive properties in clustering highly correlated variables. We establish the (non-)asymptotic properties of this estimator under relaxed assumptions regarding mixing conditions and heavier-tailed distributions. Furthermore, we demonstrate the consistency of model selection under mild conditions. Additionally, we propose a debiased version of the estimator, proving its asymptotic normality. Simulated data indicate that the debiased estimator surpasses traditional benchmarks. In an empirical application, we use this debiased estimator to identify key Economic Policy Uncertainty (EPU) factors that account for inflation levels. Our findings imply that news-based EPU factors are essential in explaining CPI dynamics.