On asymptotically optimal confidence regions and tests for high-dimensional models
高维模型中渐近最优的置信区域与检验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：摘要提供跨模型的高维推断理论，未明确涉及因果、面板、金融等具体细分方向。
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…
高维模型中渐近最优的置信区域与检验
- 研究问题
- 在参数向量维度很大的模型中，如何对单个或低维参数分量构造置信区间与检验，并在多重检验时考虑检验间依赖？
- 方法与思路
- 作者提出通用推断方法，在线性模型中分析半参数效率，并扩展到具有凸损失的广义线性模型及多类相关设计。
- 材料陈述的贡献
- 摘要称在线性模型中建立渐近性质与半参数效率意义下的最优性，并为广义线性模型和多类设计发展相应理论。
- 阅读关注点
- 应核对高维参数和设计所需的限制、半参数效率界对应的模型范围，以及多重性调整如何处理检验之间的依赖。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；最优性有模型与渐近条件，摘要未列具体限制，不能据此声称有限样本普遍最优。
原文摘要
We propose a general method for constructing confidence intervals and statistical tests for single or low-dimensional components of a large parameter vector in a high-dimensional model. It can be easily adjusted for multiplicity taking dependence among tests into account. For linear models, our method is essentially the same as in Zhang and Zhang [J. R. Stat. Soc. Ser. B Stat. Methodol. 76 (2014) 217–242]: we analyze its asymptotic properties and establish its asymptotic optimality in terms of semiparametric efficiency. Our method naturally extends to generalized linear models with convex loss functions. We develop the corresponding theory which includes a careful analysis for Gaussian, sub-Gaussian and bounded correlated designs.