Regression modelling on stratified data with the lasso
分层数据中的 lasso 回归建模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：摘要聚焦分层回归的交互项选择，类别协变量本身不足以归入离散选择或因果推断。
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
分层数据中的 lasso 回归建模
- 研究问题
- 按类别协变量分层并识别其与其他预测变量的交互作用时，如何避免惩罚回归结果依赖任意选择的参考层？
- 方法与思路
- 作者分析参考层选择对惩罚回归的影响，提出绕开该选择的估计方案，并研究模型选择一致性及交互作用识别表现。
- 材料陈述的贡献
- 摘要称，新方法几乎不增加计算成本，其选择一致性表现模仿逐协变量最优参考层策略，经验研究支持交互识别改善。
- 阅读关注点
- 应核对新方案的参数化与惩罚方式、最优参考层策略的定义，以及模型选择一致性条件和交互识别的评价标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；惩罚参数选择、一致性条件及比较细节未说明，不能据此断言所有分层问题均受益。
原文摘要
We consider the estimation of regression models on strata defined using a categorical covariate, in order to identify interactions between this categorical covariate and the other predictors. A basic approach requires the choice of a reference stratum. We show that the performance of a penalized version of this approach depends on this arbitrary choice, and propose an approach that bypasses this at almost no additional computational cost. Regarding model selection consistency, our proposal mimics the strategy based on an optimal and covariate-specific choice for the reference stratum. An empirical study confirms that our proposal generally outperforms the basic approach in the identification and description of the interactions. An illustration on gene expression data is provided.