The oracle property of the generalized outcome adaptive lasso
广义结果自适应 Lasso 的 Oracle 性质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：摘要明确将 GOAL 定位为高维因果推断中的变量选择方法。
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
广义结果自适应 Lasso 的 Oracle 性质
- 研究问题
- 用于高维因果推断变量选择的广义结果自适应 Lasso 是否具有 Oracle 性质，其共线性表现与既有方法有何差异？
- 方法与思路
- 作者针对 GOAL 估计量开展理论论证以证明 Oracle 性质，并通过模拟比较其与结果自适应 Lasso 的共线性表现。
- 材料陈述的贡献
- 摘要称，补充了 GOAL 的 Oracle 性质证明；模拟显示，其在所考察的共线性问题上优于作为比较对象的 OAL。
- 阅读关注点
- 应核对 Oracle 性质的具体定义、维度增长和惩罚参数条件，以及模拟的共线性设定、评价指标与调参公平性。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审和期刊接收均未核实；摘要未列出证明条件，模拟比较也不能推出普遍优越性。
原文摘要
The generalized outcome-adaptive lasso (GOAL) is a variable selection for high-dimensional causal inference proposed by Baldé et al. [2023, {\em Biometrics} {\bfseries 79(1)}, 514--520]. When the dimension is high, it is now well established that an ideal variable selection method should have the oracle property to ensure the optimal large sample performance. However, the oracle property of GOAL has not been proven. In this paper, we show that the GOAL estimator enjoys the oracle property. Our simulation shows that the GOAL method deals with the collinearity problem better than the oracle-like method, the outcome-adaptive lasso (OAL).