Nonconcave penalized likelihood with a diverging number of parameters
参数维度随样本量增长的非凹惩罚似然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：增长维度非凹惩罚似然、变量选择、协方差及检验分布是一般计量/统计方法。
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
参数维度随样本量增长的非凹惩罚似然
- 研究问题
- 当待估参数个数随样本量增加而增长时，非凹惩罚似然能否继续同时完成参数估计和变量选择？摘要重点讨论这种维度增长下的 oracle 性质、估计量的渐近正态性，以及方差估计和似然比推断是否成立。
- 方法与思路
- 作者在参数维度随样本量发散的渐近框架下研究非凹惩罚似然，在正则条件下分析估计量和协方差估计的性质，并对惩罚函数施加相应条件以推导似然比统计量的零假设分布。研究还包含模拟和案件数据分析。
- 材料陈述的贡献
- 摘要将该类方法的理论扩展到增长维度，在正则条件下建立 oracle 性质与渐近正态性，证明三明治协方差估计一致，并推导零假设下惩罚似然比统计量的渐近分布。模拟与薪酬性别歧视案件分析用于展示方法。
- 阅读关注点
- 阅读时优先核对参数维度允许多快增长、惩罚函数和调参序列需要哪些条件，以及 oracle 性质具体包含什么。随后检查渐近正态性、三明治公式和似然比检验是否采用相同条件，避免将不同结论的适用范围混同。 阅读前先备知识：建议先掌握似然估计、惩罚化目标函数、模型选择一致性、渐近正态性和三明治方差估计。作为背景，oracle 性质通常指能够恢复有效模型，且非零参数的估计表现接近预先知道该模型时的情形。
- 阅读边界
- 以下限制对应原请求所用摘要版本：基于原文摘要，未阅读全文。摘要未给出维度增长速度、信号强度要求、惩罚形式及调参规则，不能据此判断它覆盖任意高维情形；案件分析的具体设计、结果与因果解释，也无法由摘要核实。 经AI辅助核对旧与当前摘要内容等价；未另读刊稿全文，不能据此证明整个稿件版本等价。
原文摘要
A class of variable selection procedures for parametric models via nonconcave penalized likelihood was proposed by Fan and Li to simultaneously estimate parameters and select important variables. They demonstrated that this class of procedures has an oracle property when the number of parameters is finite. However, in most model selection problems the number of parameters should be large and grow with the sample size. In this paper some asymptotic properties of the nonconcave penalized likelihood are established for situations in which the number of parameters tends to ∞ as the sample size increases. Under regularity conditions we have established an oracle property and the asymptotic normality of the penalized likelihood estimators. Furthermore, the consistency of the sandwich formula of the covariance matrix is demonstrated. Nonconcave penalized likelihood ratio statistics are discussed, and their asymptotic distributions under the null hypothesis are obtained by imposing some mild conditions on the penalty functions. The asymptotic results are augmented by a simulation study, and the newly developed methodology is illustrated by an analysis of a court case on the sexual discrimination of salary.