Lasso-Ridge Refitting: A Two-Stage Estimator for High-Dimensional Linear Regression
Lasso-Ridge 重拟合：高维线性回归的两阶段估计量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：摘要讨论高维线性回归的 Lasso-Ridge 两阶段估计与预测一致性，属高维统计方法，未涉及所给因果推断、面板、时间序列、资产定价等具体领域细分，故不选择。
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
Lasso-Ridge 重拟合：高维线性回归的两阶段估计量
- 研究问题
- 摘要称，Lasso 在高维线性回归中常存在估计偏差与预测误差，本文关注如何在此基础上构造改进的估计方法，以提升预测与估计精度并保留变量选择等优点。
- 方法与思路
- 作者提出一种 Lasso-Ridge 两阶段估计量：先以 Lasso 进行变量选择或得到初始估计，再用 Ridge 进行重拟合。摘要提到分析覆盖 Lasso 调参在其理论最优速率 sqrt(log(p)/n) 的情形，并通过大量模拟比较预测与估计表现。
- 材料陈述的贡献
- 摘要称该估计量在多种设定下取得更好的预测表现，包括 Lasso 处于理论最优调参速率时；同时保留 Lasso 的若干关键优势，如预测一致性与温和条件下的可靠变量选择，模拟中在预测和估计精度上优于 Lasso。
- 阅读关注点
- 应核对两阶段的具体构造与调参方式、理论结果所依赖的识别与正则条件、预测一致性与变量选择结论的适用范围，以及模拟设计（维度、稀疏度、信噪比、对比方法）是否支撑摘要中的比较结论。
- 阅读边界
- 仅凭摘要无法判断定理假设、证明细节、模拟规模与真实数据表现，也无法核实是否确优于其他重拟合方法；该文为 arXiv 预印本，未经同行评审或期刊接收验证。
原文摘要
The least absolute shrinkage and selection operator (Lasso) is a popular method for high-dimensional statistics. However, it is known that the Lasso often has estimation bias and prediction error. To address such disadvantages, many alternatives and refitting strategies have been proposed and studied. This work introduces a novel Lasso--Ridge method. Our analysis indicates that the proposed estimator achieves improved prediction performance in a range of settings, including cases where the Lasso is tuned at its theoretical optimal rate \(\sqrt{\log(p)/n}\). Moreover, the proposed method retains several key advantages of the Lasso, such as prediction consistency and reliable variable selection under mild conditions. Through extensive simulations, we further demonstrate that our estimator outperforms the Lasso in both prediction and estimation accuracy, highlighting its potential as a powerful tool for high-dimensional linear regression.