Measurement Error in Lasso: Impact and Correction
Lasso 中的测量误差：影响与校正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 lasso 惩罚回归在测量误差下的变量选择与校正，属于高维统计方法主题，未直接对应所提供的因果推断、面板、时间序列、资产定价等经济学领域细分，故不选择。
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…
Lasso 中的测量误差：影响与校正
- 研究问题
- 研究协变量存在测量误差时，带 lasso 惩罚的线性回归会受到怎样的影响，以及如何对测量误差进行校正。
- 方法与思路
- 作者从解析与模拟两方面考察测量误差对 lasso 线性回归的影响，并提出一种简单的校正方法；在大样本极限下比较校正与未校正 lasso 的符号一致性变量选择条件，并把校正思路推广到带 lasso 惩罚的广义线性模型，用 logistic 回归模拟和微阵列数据分类问题做经验研究。
- 材料陈述的贡献
- 摘要称，在校正后的大样本极限下，只要条件与测量无误的 lasso 非常相似即可实现符号一致的变量选择，而未校正 lasso 需要数据协方差结构满足严格得多的条件；经验结果显示校正 lasso 在真阳性水平相近时选出更少的假阳性，可用于基因组分析中更保守的变量选择。
- 阅读关注点
- 应核对测量误差模型与识别假设的具体设定、校正方法所需的一致性与协方差条件、大样本结论的证明前提，以及模拟与微阵列分类中真阳性、假阳性的定义和评价方式。
- 阅读边界
- 仅凭摘要无法判断校正方法在有限样本下的表现、对误差分布假设的敏感性、与其它方法的比较，以及微阵列应用的具体数据与实现细节；该文为 arXiv 预印本，同行评审状态未经验证。
原文摘要
Regression with the lasso penalty is a popular tool for performing dimension reduction when the number of covariates is large. In many applications of the lasso, like in genomics, covariates are subject to measurement error. We study the impact of measurement error on linear regression with the lasso penalty, both analytically and in simulation experiments. A simple method of correction for measurement error in the lasso is then considered. In the large sample limit, the corrected lasso yields sign consistent covariate selection under conditions very similar to the lasso with perfect measurements, whereas the uncorrected lasso requires much more stringent conditions on the covariance structure of the data. Finally, we suggest methods to correct for measurement error in generalized linear models with the lasso penalty, which we study empirically in simulation experiments with logistic regression, and also apply to a classification problem with microarray data. We see that the corrected lasso selects less false positives than the standard lasso, at a similar level of true positives. The corrected lasso can therefore be used to obtain more conservative covariate selection in genomic analysis.