Correlation adjusted debiased Lasso: debiasing the Lasso with inaccurate covariate model
相关性调整的去偏 Lasso：协变量模型不准确时的去偏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：摘要研究一般高维回归的去偏推断，未将目标参数明确解释为因果效应或其他给定领域对象。
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
相关性调整的去偏 Lasso：协变量模型不准确时的去偏
- 研究问题
- 在高维线性回归中，若协变量结构只能被不准确地估计，如何减少低维目标参数估计中的残余偏差？
- 方法与思路
- 作者针对目标变量与结果变量经干扰变量残差化后的误差相关问题，提出相关性调整的去偏 Lasso 方法。
- 材料陈述的贡献
- 摘要称该方法在某些情形下几乎消除偏差，包括估计误差既不可忽略也不正交、已有去偏方法缺乏保证的情形。
- 阅读关注点
- 应核对相关性调整项的定义、可估计性及理论适用范围，并区分偏差降低与有效置信区间所需的额外条件。
- 阅读边界
- 仅依据所给 Crossref 摘要；“几乎消除”限于某些情形，摘要未列具体条件、剩余偏差量级或推断覆盖结果。
原文摘要
Abstract We consider the problem of estimating a low-dimensional parameter in high-dimensional linear regression. Constructing an approximately unbiased estimate of the parameter of interest is a crucial step towards performing statistical inference. Several authors suggest to orthogonalize both the variable of interest and the outcome with respect to the nuisance variables, and then regress the residual outcome with respect to the residual variable. This is possible if the covariance structure of the regressors is perfectly known, or is sufficiently structured that it can be estimated accurately from data (e.g. the precision matrix is sufficiently sparse). Here we consider a regime in which the covariate model can only be estimated inaccurately, and hence existing debiasing approaches are not guaranteed to work. We propose the correlation adjusted debiased Lasso, which nearly eliminates this bias in some cases, including cases in which the estimation errors are neither negligible nor orthogonal.