GENERALIZED ADDITIVE PARTIAL LINEAR MODELS WITH HIGH-DIMENSIONAL COVARIATES
含高维协变量的广义可加部分线性模型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：摘要研究通用高维半参数模型选择，未明确涉及所列因果、面板、预测或其他具体方向。
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…
含高维协变量的广义可加部分线性模型
- 研究问题
- 在含高维协变量的广义可加部分线性模型中，如何同时识别非零参数项与非参数函数项，并开展估计和推断？
- 方法与思路
- 作者用多项式样条逼近非参数函数，先进行双重惩罚初始估计，再结合自适应 LASSO 和惩罚拟似然完成选择与估计。
- 材料陈述的贡献
- 摘要称，估计量具有选择与估计一致性，参数部分渐近正态，并具渐近 oracle 性质；中等样本模拟表现良好。
- 阅读关注点
- 应核对维度增长、非零信号强度和函数光滑性条件，以及样条复杂度、两阶段惩罚参数和初始估计所需精度。
- 阅读边界
- 仅依据所给 Crossref 版本摘要；具体高维增长范围、调参规则和模拟数值未说明，oracle 性质不能直接代表有限样本选择可靠。
原文摘要
This paper studies generalized additive partial linear models with high-dimensional covariates. We are interested in which components (including parametric and nonparametric components) are nonzero. The additive nonparametric functions are approximated by polynomial splines. We propose a doubly penalized procedure to obtain an initial estimate and then use the adaptive least absolute shrinkage and selection operator to identify nonzero components and to obtain the final selection and estimation results. We establish selection and estimation consistency of the estimator in addition to asymptotic normality for the estimator of the parametric components by employing a penalized quasi-likelihood. Thus our estimator is shown to have an asymptotic oracle property. Monte Carlo simulations show that the proposed procedure works well with moderate sample sizes.