Shrinkage Tuning Parameter Selection with a Diverging number of Parameters
参数数量发散时的收缩调节参数选择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：摘要讨论一般高维变量选择和调参，没有指向所列计量领域细分的充分文本证据。
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
参数数量发散时的收缩调节参数选择
- 研究问题
- 当候选参数数量随样本增大而增长时，如何选择收缩估计的调节参数，使变量选择仍能一致识别真实模型？
- 方法与思路
- 作者将固定预测变量维度下的 BIC 型准则理论扩展至参数数量发散情形，同时研究非惩罚与惩罚估计的模型选择。
- 材料陈述的贡献
- 摘要称相关一致模型识别结果可推广到增长维度设置，从而扩展 BIC 型选择准则及收缩估计方法的理论适用范围。
- 阅读关注点
- 应核对维度增长速度、真实模型及信号强度的要求、BIC 型惩罚项的形式，以及不同收缩方法是否需要不同条件。
- 阅读边界
- 仅据所给 Crossref 摘要；未说明维度增长界、惩罚形式或证明条件，不能推断适用于任意高维问题，也不能推断其他版本变化。
原文摘要
Summary Contemporary statistical research frequently deals with problems involving a diverging number of parameters. For those problems, various shrinkage methods (e.g. the lasso and smoothly clipped absolute deviation) are found to be particularly useful for variable selection. Nevertheless, the desirable performances of those shrinkage methods heavily hinge on an appropriate selection of the tuning parameters. With a fixed predictor dimension, Wang and co-worker have demonstrated that the tuning parameters selected by a Bayesian information criterion type criterion can identify the true model consistently. In this work, similar results are further extended to the situation with a diverging number of parameters for both unpenalized and penalized estimators. Consequently, our theoretical results further enlarge not only the scope of applicabilityation criterion type criteria but also that of those shrinkage estimation methods.