Debiased and thresholded ridge regression for linear models with heteroskedastic and correlated errors
异方差与相关误差线性模型的去偏及阈值化岭回归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：摘要明确研究高维回归与复杂误差，但未指定时间序列、面板或金融场景，仅凭依赖和非平稳表述不足以分类。
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
异方差与相关误差线性模型的去偏及阈值化岭回归
- 研究问题
- 在高维线性模型误差异方差、相关且可能非平稳时，如何一致估计参数、恢复稀疏结构，并对参数线性组合进行同时推断？
- 方法与思路
- 作者提出去偏并阈值化的岭回归估计量，推导高斯近似，再使用依赖野生 bootstrap 构造同时置信区间和假设检验。
- 材料陈述的贡献
- 摘要称估计量具有一致性并能恢复稀疏结构，建立同时推断工具，另提出异方差、弱依赖且非平稳误差的一类一般模型。
- 阅读关注点
- 应核对维数、稀疏性和依赖程度的限制，去偏与阈值参数的选择，以及高斯近似和 bootstrap 同时覆盖的条件。
- 阅读边界
- 仅据所给 Crossref 摘要，不推断刊本变化；摘要未说明完整条件、应用数据或数值结果，良好有限样本表现不能解释为普遍优越。
原文摘要
Abstract High-dimensional linear models with independent errors have been well-studied. However, statistical inference on a high-dimensional linear model with heteroskedastic, dependent (and possibly nonstationary) errors is still a novel topic. Under such complex assumptions, the paper at hand introduces a debiased and thresholded ridge regression estimator that is consistent, and is able to recover the model sparsity. Moreover, we derive a Gaussian approximation theorem for the estimator, and apply a dependent wild bootstrap algorithm to construct simultaneous confidence interval and hypothesis tests for linear combinations of parameters. Numerical experiments with both real and simulated data show that the proposed estimator has good finite sample performance. Of independent interest is the development of a new class of heteroscedastic, (weakly) dependent, and nonstationary random variables that can be used as a general model for regression errors.