Efficient Inference on High-Dimensional Linear Models with Missing Outcomes
结局缺失下高维线性模型的有效推断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：摘要研究一般高维回归的缺失结局推断，未将缺失概率解释为处理分配或提出因果效应目标。
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…
结局缺失下高维线性模型的有效推断
- 研究问题
- 作者研究高维线性模型在结局随机缺失时，如何对回归函数进行有效推断，以及缺失概率由机器学习估计时能否保持渐近性质。
- 方法与思路
- 作者将 Lasso 初步估计与加权残差偏差校正结合，权重利用缺失概率估计，并通过凸优化平衡偏差和方差，再用模拟及星系数据验证。
- 材料陈述的贡献
- 摘要称，在样本点处缺失概率可逐点一致估计等条件下，估计量渐近正态，并在渐近线性估计量类中半参数有效；机器学习估计也可适用。
- 阅读关注点
- 应核对随机缺失、稀疏性及缺失概率估计的完整条件，凸优化权重的约束、目标回归函数，以及机器学习实现下渐近结论的适用范围。
- 阅读边界
- 依据 arXiv v4 预印本摘要，不能据此声称已同行评审或期刊接收；别名中的 DOI 不改变本次依据，完整正则条件未说明。
原文摘要
This paper is concerned with inference on the regression function of a high-dimensional linear model when outcomes are missing at random. We propose an estimator that combines a Lasso pilot estimate of the regression function with a bias correction term based on the weighted residuals of the Lasso regression. The weights depend on estimates of the missingness probabilities (propensity scores) and solve a convex optimization program that trades off bias and variance optimally. Provided that the propensity scores can be pointwise consistently estimated at in-sample data points, our proposed estimator for the regression function is asymptotically normal and semiparametrically efficient among all asymptotically linear estimators. Furthermore, the proposed estimator retains its asymptotic properties even if the propensity scores are estimated by modern machine learning techniques. We validate the finite-sample performance of the proposed estimator through comparative simulation studies and the real-world problem of inferring the stellar masses of galaxies in the Sloan Digital Sky Survey.