Better subset regression
改进的子集回归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。
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：摘要研究通用高维回归与变量筛选，未提供收益预测、因子模型等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…
关注这篇论文的作者
改进的子集回归
- 研究问题
- 在稀疏高维线性回归中，子集对数据的拟合表现与变量筛选能力有何关系，如何据此改进子集搜索？
- 方法与思路
- 作者研究包含真实子模型与遗漏真实变量的子集之间的残差平方和关系，并提出正交化子集筛选算法及加速版本。
- 材料陈述的贡献
- 摘要称，算法的单调性可改善初始子集的拟合，并带来渐近筛选改善的可能性，但算法不保证找到最佳子集。
- 阅读关注点
- 应核对稀疏性与渐近比较的完整条件、子集大小限制，以及算法初始化、停止准则和筛选表现的评价方式。
- 阅读边界
- 索引摘要版本未注明，未给出筛选保证的具体条件或模拟数值；拟合改善不自动意味着有限样本筛选更好，也不能推断刊本变化。
原文摘要
This paper studies the relationship between model fitting and screening performance to find efficient screening methods for high-dimensional linear regression models. Under a sparsity assumption we show in a general asymptotic setting that a subset that includes the true submodel always yields a smaller residual sum of squares than those that do not. To seek such a subset, we consider the optimization problem associated with best subset regression. An em algorithm, known as orthogonalizing subset screening, and its accelerated version are proposed for searching for the best subset. Although the algorithms do not always find the best subset, their monotonicity makes the subset fit the data better than initial subsets, and thus the subset can have better screening performance asymptotically. Simulation results show that our methods are very competitive.