Heterogeneous Overdispersed Count Data Regressions via Double Penalized Estimations
异质过度离散计数回归的双重惩罚估计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：摘要研究通用高维负二项计数回归的惩罚估计理论，未说明因果、面板、选择或具体宏观金融任务，故不作领域细分。
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
异质过度离散计数回归的双重惩罚估计
- 研究问题
- 对于存在异质性和过度离散的计数数据，双重 ℓ₁ 正则化的负二项回归能否获得非渐近误差控制及进一步推断的理论基础？
- 方法与思路
- 作者利用经验过程集中不等式，在受限特征值条件下，为两个部分回归系数的 Lasso 估计量推导预言不等式及收敛性质。
- 材料陈述的贡献
- 摘要称，首次建立所述两类系数估计量的预言不等式，并推导一致性和收敛率；模拟及真实数据分析显示方法有效。
- 阅读关注点
- 阅读时应核对两组系数的模型含义、双重惩罚的调参方式、受限特征值条件，以及误差界如何支持后续统计推断。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明完整条件、真实数据领域或推断程序，“首次”尚未独立核验。
原文摘要
This paper studies the non-asymptotic merits of the double $\ell_1$-regularized for heterogeneous overdispersed count data via negative binomial regressions. Under the restricted eigenvalue conditions, we prove the oracle inequalities for Lasso estimators of two partial regression coefficients for the first time, using concentration inequalities of empirical processes. Furthermore, derived from the oracle inequalities, the consistency and convergence rate for the estimators are the theoretical guarantees for further statistical inference. Finally, both simulations and a real data analysis demonstrate that the new methods are effective.