Bootstrapping Lasso in Generalized Linear Models
广义线性模型中的 Lasso 自助法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 GLM 中 Lasso 估计量的分布近似与自助推断，属通用统计方法理论，未涉及所给因果推断、面板、时间序列、资产定价等具体领域细分的文本依据。
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
广义线性模型中的 Lasso 自助法
- 研究问题
- 摘要称，广义线性模型中 Lasso 估计量的渐近分布性质仍属未知；本文关注如何近似该估计量的分布，以便对 GLM 的任意子模型做有效统计推断。
- 方法与思路
- 作者提出 Lasso 估计量在 GLM 中不具有可处理形式，进而发展两种自助方法：扰动自助法与 Pearson 残差自助法，用以近似 Lasso 估计量的分布，并通过中等规模模拟研究考察有限样本性质，另在一个真实数据集上实施其中一种方法。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：给出 GLM 中 Lasso 估计量分布难以直接处理的论断，提出两种可近似其分布的自助方法，并称这些方法可用于 GLM 任意子模型的有效统计推断，同时以模拟和实证展示有限样本表现。
- 阅读关注点
- 应核对：两种自助法的具体构造与适用条件；近似分布的理论保证及其所需正则假设；推断是否针对任意子模型均成立；模拟设计、样本规模与评价指标；实证数据的来源与结论稳健性。
- 阅读边界
- 仅凭摘要无法判断定理条件、收敛速率、假设是否可验证，也无法核实模拟与实证的具体数值结果；摘要未说明与既有方法的比较。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Generalized linear model or GLM constitutes a large class of models and essentially extends the ordinary linear regression by connecting the mean of the response variable with the covariate through appropriate link functions. On the other hand, Lasso is a popular and easy-to-implement penalization method in regression when not all covariates are relevant. However, the asymptotic distributional properties the Lasso estimator in GLM is still unknown. In this paper, we show that the Lasso estimator in GLM does not have a tractable form and subsequently, we develop two Bootstrap methods, namely the Perturbation Bootstrap and Pearson's Residual Bootstrap methods, for approximating the distribution of the Lasso estimator in GLM. As a result, our Bootstrap methods can be used to draw valid statistical inferences for any sub-model of GLM. We support our theoretical findings by showing good finite-sample properties of the proposed Bootstrap methods through a moderately large simulation study. We also implement one of our Bootstrap methods on a real data set.