Strong log-concavity in probit regression
Probit 回归中的强对数凹性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 probit 回归似然的性质与高维比例渐近，直接涉及离散选择模型的估计问题。
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…
Probit 回归中的强对数凹性
- 研究问题
- 研究 probit 回归似然在无岭惩罚（即无高斯先验）情形下是否具备强对数凹性，并刻画其条件数在高维比例渐近下的行为。
- 方法与思路
- 作者对固定设计给出强对数凹性的非渐近刻画，类比 MLE 存在性条件；对随机设计在 d/n→r∈[0,1) 的比例渐近框架下分析，并给出 r=0 时可数值计算的估计。
- 材料陈述的贡献
- 摘要称 probit 似然无需岭惩罚即呈现强对数凹性，与 logistic 情形不同；并称当 r 足够小时条件数有限且依高概率与 n、d、r 无关，从而提供一个高维良态对数凹目标的非平凡例子。
- 阅读关注点
- 应核对强对数凹性刻画的具体条件与 MLE 存在性条件的对应关系、比例渐近下“r 足够小”的阈值、条件数界的证明依赖哪些假设，以及 r=0 估计的可计算性依据。
- 阅读边界
- 仅凭摘要无法判断证明细节、假设强度与数值表现；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We show that strong log-concavity emerges in probit regression likelihoods without ridge penalization (i.e. Gaussian priors), unlike for the logistic case. Specifically, we provide: (a) a non-asymptotic characterization of strong log-concavity for fixed designs, similar to that for the existence of the maximum likelihood estimator (MLE) and (b) an asymptotic analysis for random designs, in the proportional regime when the sample size $n$ and the number of covariates $d$ grow proportionally $d/n\rightarrow r\in[0,1)$. In the latter case we show that, provided $r$ is small enough, the resulting condition number is finite and independent of $n,d,r$ with high-probability. Numerically tractable estimates are given in case $r=0$. Thus, probit regression provides a non-trivial example of high-dimensional, well-conditioned log-concave objective.