Uniform Consistency of Generalized Cross-Validation for Ridge Regression in High-Dimensional Misspecified Linear Models
高维误设线性模型中岭回归广义交叉验证的一致相合性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：摘要讨论高维线性模型下岭回归调优参数的交叉验证相合性与预测风险，属于高维统计与正则化方法理论，未涉及所给微观、宏观或金融领域细分的具体主题，故不选择任何细分方向。
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…
关注这篇论文的作者
高维误设线性模型中岭回归广义交叉验证的一致相合性
- 研究问题
- 研究在高维误设线性模型下，当调优参数候选集同时包含正值、零和负值时，广义交叉验证能否一致地估计样本外预测风险，并据此选出渐近预测风险最小的岭回归调优参数。
- 方法与思路
- 作者在理论上考察广义交叉验证作为样本外预测风险估计量的性质，允许调优参数候选集包含正、零与负值，并在设定误差二阶矩趋于零的条件下论证一致相合性；另以模拟研究比较广义交叉验证调优的岭回归与最优调优岭回归及 Lasso 的预测表现。
- 材料陈述的贡献
- 摘要称，若设定误差二阶矩收敛到零，广义交叉验证仍是样本外预测风险的一致相合估计量；这意味着当回归函数误设程度较小时，广义交叉验证所选调优参数使岭回归在候选集中渐近达到最小预测风险。模拟结果显示其预测表现接近最优调优岭回归，并在正确与错误模型设定下优于 Lasso。
- 阅读关注点
- 应核对一致相合性的精确陈述、设定误差二阶矩趋于零这一条件的角色与必要性、候选集含零和负值时岭回归的定义与风险目标、渐近框架（样本量与维数如何增长）、证明所依赖的识别与正则条件，以及模拟设计是否覆盖摘要所述的正确与错误设定情形。
- 阅读边界
- 仅依据摘要，无法判断定理的完整假设、证明细节、渐近速率、模拟的具体设置与数值，也不能据此认定该文已通过同行评审或已被期刊接收；摘要未说明负调优参数下的具体估计形式与有限样本性质。
原文摘要
This study examines generalized cross-validation for the tuning parameter selection for ridge regression in high-dimensional misspecified linear models. The set of candidates for the tuning parameter includes not only positive values but also zero and negative values. We demonstrate that if the second moment of the specification error converges to zero, generalized cross-validation is still a uniformly consistent estimator of the out-of-sample prediction risk. This implies that generalized cross-validation selects the tuning parameter for which ridge regression asymptotically achieves the smallest prediction risk among the candidates if the degree of misspecification for the regression function is small. Our simulation studies show that ridge regression tuned by generalized cross-validation exhibits a prediction performance similar to that of optimally tuned ridge regression and outperforms the Lasso under correct and incorrect model specifications.