Penalized empirical likelihood and growing dimensional general estimating equations
惩罚经验似然与维度增长的一般估计方程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：摘要属于通用高维估计方程理论，未提供归入任何应用领域细分的直接依据。
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…
关注这篇论文的作者
惩罚经验似然与维度增长的一般估计方程
- 研究问题
- 在未指定参数似然且估计问题维度随样本增长时，如何利用一般估计方程开展参数估计、变量选择及统计推断？
- 方法与思路
- 作者研究维度增长下的一般估计方程经验似然，并引入惩罚经验似然进行参数估计和变量选择，分析其渐近性质。
- 材料陈述的贡献
- 摘要称量化经验似然及其惩罚版本的渐近性质，证明惩罚方法具有oracle性质，并通过模拟和数据分析展示表现。
- 阅读关注点
- 应核对参数与估计方程的维度增长限制、惩罚函数及调参规则，以及oracle性质所需的信号强度和正则条件。
- 阅读边界
- 仅据版本未注明的索引摘要；维度增长率与oracle性质的条件未说明，不能据此断言任意高维问题均适用。
原文摘要
When a parametric likelihood function is not specified for a model, estimating equations may provide an instrument for statistical inference. Qin and Lawless (1994) illustrated that empirical likelihood makes optimal use of these equations in inferences for fixed low-dimensional unknown parameters. In this paper, we study empirical likelihood for general estimating equations with growing high dimensionality and propose a penalized empirical likelihood approach for parameter estimation and variable selection. We quantify the asymptotic properties of empirical likelihood and its penalized version, and show that penalized empirical likelihood has the oracle property. The performance of the proposed method is illustrated via simulated applications and a data analysis.