A group bridge approach for variable selection
用于变量选择的组桥方法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：摘要研究一般分组变量选择，未提供对应所列经济计量领域细分的证据。
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…
用于变量选择的组桥方法
- 研究问题
- 多元回归的协变量具有自然分组时，如何同时筛选重要组与组内变量，并为正确识别重要组提供渐近保证？
- 方法与思路
- 作者设计组桥惩罚，构造同时作用于组层面和组内变量层面的正则化方法，并研究组选择性质和模拟表现。
- 材料陈述的贡献
- 摘要称，组桥方法正确选择重要组的概率趋于一；模拟中，其组选择和个体变量选择表现优于若干已有方法。
- 阅读关注点
- 应核对组选择 oracle 性质所需的条件、组内选择是否另有保证，以及惩罚参数、优化方法和模拟比较的设置。
- 阅读边界
- 仅据 Crossref 摘要，不能推断其他版本变化；摘要陈述的是组选择性质，未据此保证组内选择或系数估计也具有完整 oracle 性质。
原文摘要
Abstract In multiple regression problems when covariates can be naturally grouped, it is important to carry out feature selection at the group and within-group individual variable levels simultaneously. The existing methods, including the lasso and group lasso, are designed for either variable selection or group selection, but not for both. We propose a group bridge approach that is capable of simultaneous selection at both the group and within-group individual variable levels. The proposed approach is a penalized regularization method that uses a specially designed group bridge penalty. It has the oracle group selection property, in that it can correctly select important groups with probability converging to one. In contrast, the group lasso and group least angle regression methods in general do not possess such an oracle property in group selection. Simulation studies indicate that the group bridge has superior performance in group and individual variable selection relative to several existing methods.