High Dimensional Generalised Penalised Least Squares
高维广义惩罚最小二乘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：摘要明确处理序列相关误差、强混合过程及随时间维度增长的高维回归，直接对应时间序列计量方法。
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…
高维广义惩罚最小二乘
- 研究问题
- 在协变量和误差具有强混合依赖、误差存在序列相关且分布允许较厚尾部的高维线性模型中，如何改善估计并进行参数推断？
- 方法与思路
- 作者研究依赖条件下的 Lasso，以 GLS Lasso 估计参数并扩展渐近性质，再利用去偏 Lasso 对关注参数开展一致有效的推断。
- 材料陈述的贡献
- 摘要称得到平稳依赖过程下更紧的非渐近界，并讨论一般条件下较慢的 Lasso 速率；模拟显示所提估计相对传统方法有效率收益。
- 阅读关注点
- 应核对混合与尾部条件、误差协方差的估计方式及稀疏性要求，并检查去偏步骤如何处理序列相关和参数上的一致推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未提供具体速率、协方差估计条件或效率增益数值，不能判断一般性优势。
原文摘要
In this paper we develop inference for high dimensional linear models, with serially correlated errors. We examine Lasso under the assumption of strong mixing in the covariates and error process, allowing for fatter tails in their distribution. While the Lasso estimator performs poorly under such circumstances, we estimate via GLS Lasso the parameters of interest and extend the asymptotic properties of the Lasso under more general conditions. Our theoretical results indicate that the non-asymptotic bounds for stationary dependent processes are sharper, while the rate of Lasso under general conditions appears slower as $T,p\to \infty$. Further we employ the debiased Lasso to perform inference uniformly on the parameters of interest. Monte Carlo results support the proposed estimator, as it has significant efficiency gains over traditional methods.