Penalized Estimating Functions and Variable Selection in Semiparametric Regression Models
半参数回归模型中的惩罚估计函数与变量选择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：摘要聚焦通用半参数回归的变量选择、删失和缺失数据，未明确对应因果、面板或其他所列应用领域，因此不作细分归类。
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
半参数回归模型中的惩罚估计函数与变量选择
- 研究问题
- 当半参数模型的估计函数并非某个目标函数的导数，甚至对回归系数不连续时，如何实现变量选择并估计所选系数的不确定性？
- 方法与思路
- 作者对适当估计函数施加惩罚，建立一般渐近理论及数值算法，并在渐近方差无法直接求得时，提出重抽样方差估计方法。
- 材料陈述的贡献
- 摘要称，该策略适用于删失响应和缺失预测变量等模型；模拟显示变量选择与方差估计表现良好，并展示卒中登记数据应用。
- 阅读关注点
- 应核对惩罚形式、估计方程解的定义与算法、删失和缺失机制的要求，以及渐近结论和重抽样方差估计的有效条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；惩罚条件、缺失机制和具体渐近结论未说明，不能推断刊本变化或额外选择保证。
原文摘要
We propose a general strategy for variable selection in semiparametric regression models by penalizing appropriate estimating functions. Important applications include semiparametric linear regression with censored responses and semiparametric regression with missing predictors. Unlike the existing penalized maximum likelihood estimators, the proposed penalized estimating functions may not pertain to the derivatives of any objective functions and may be discrete in the regression coefficients. We establish a general asymptotic theory for penalized estimating functions and present suitable numerical algorithms to implement the proposed estimators. In addition, we develop a resampling technique to estimate the variances of the estimated regression coefficients when the asymptotic variances cannot be evaluated directly. Simulation studies demonstrate that the proposed methods perform well in variable selection and variance estimation. We illustrate our methods using data from the Paul Coverdell Stroke Registry.