Estimation and inference in generalized additive coefficient models for nonlinear interactions with high-dimensional covariates
高维协变量非线性交互的广义加性系数模型估计与推断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。
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：摘要涉及高维非线性交互和基因关联数据，未明确对应所列因果、结构估计等计量细分方向。
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…
高维协变量非线性交互的广义加性系数模型估计与推断
- 研究问题
- 在变量数多于样本量的广义加性系数模型中，如何筛选重要协变量，并对刻画非线性交互的系数函数开展推断？
- 方法与思路
- 作者使用组惩罚识别模型结构，以改进的两步样条估计构造同时置信带，并采用平滑自助法估计函数估计量的标准差。
- 材料陈述的贡献
- 摘要称给出模型结构识别的一致性结果及系数函数同时置信带，并讨论调参，提供模拟和肥胖全基因组关联数据示例。
- 阅读关注点
- 应核对维度、稀疏性与信号强度条件，尤其查看变量选择误差如何影响置信带，以及两步样条和自助法的实施要求。
- 阅读边界
- 来源为稿件版本未注明的 OpenAlex 索引摘要；具体条件和覆盖结果未提供，不能推断任意选择后推断都有效或交互具有因果含义。
原文摘要
In the low-dimensional case, the generalized additive coefficient model (GACM) proposed by Xue and Yang [Statist. Sinica 16 (2006) 1423–1446] has been demonstrated to be a powerful tool for studying nonlinear interaction effects of variables. In this paper, we propose estimation and inference procedures for the GACM when the dimension of the variables is high. Specifically, we propose a groupwise penalization based procedure to distinguish significant covariates for the “large $p$ small $n$” setting. The procedure is shown to be consistent for model structure identification. Further, we construct simultaneous confidence bands for the coefficient functions in the selected model based on a refined two-step spline estimator. We also discuss how to choose the tuning parameters. To estimate the standard deviation of the functional estimator, we adopt the smoothed bootstrap method. We conduct simulation experiments to evaluate the numerical performance of the proposed methods and analyze an obesity data set from a genome-wide association study as an illustration.