Spline-Lasso in High-Dimensional Linear Regression
高维线性回归中的样条 LassoAI 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：摘要研究有序特征的通用高维回归，未提供对应所列经济学细分方向的直接证据。
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…
高维线性回归中的样条 Lasso
- 研究问题
- 当高维协变量具有有意义的顺序、组内效应又平滑变化时，如何兼顾变量选择与系数形态刻画，避免局部常数设定过于粗糙？
- 方法与思路
- 作者提出 spline-lasso 及更一般的 spline-MCP，捕捉组内不同且平滑变化的效应，并将求解转化为 Lasso 或 MCP 问题。
- 材料陈述的贡献
- 摘要称该方法易于实现，模拟显示其在变量选择与预测精度方面表现有效，并通过一个真实应用展示方法的潜在收益。
- 阅读关注点
- 阅读时应核对样条表示、稀疏惩罚与协变量顺序如何结合，以及调参规则、比较方法和真实应用是否支持组内平滑结构。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；理论条件、模拟数值及应用细节未提供，不能将所述效果推广至任意高维设计或推断刊本变化。
原文摘要
We consider a high-dimensional linear regression problem, where the covariates (features) are ordered in some meaningful way, and the number of covariates p can be much larger than the sample size n. The fused lasso of Tibshirani et al. is designed especially to tackle this type of problems; it yields sparse coefficients and selects grouped variables, and encourages local constant coefficient profile within each group. However, in some applications, the effects of different features within a group might be different and change smoothly. In this article, we propose a new spline-lasso or more generally, spline-MCP to better capture the different effects within the group. The newly proposed method is very easy to implement since it can be easily turned into a lasso or MCP problem. Simulations show that the method works very effectively both in feature selection and prediction accuracy. A real application is also given to illustrate the benefits of the method. Supplementary materials for this article are available online.