Online Debiasing for Adaptively Collected High-Dimensional Data With Applications to Time Series Analysis
自适应采集高维数据的在线去偏及时间序列应用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：摘要明确将时间序列分析列为在线去偏理论的具体应用设定，直接关联时间序列推断。
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…
自适应采集高维数据的在线去偏及时间序列应用
- 研究问题
- 自适应采集的高维数据同时包含正则化偏差与采集机制引起的依赖偏差时，如何校正LASSO等估计量并开展有效推断？
- 方法与思路
- 作者提出在线去偏程序，同时处理正则化与自适应采集两类偏差，并在时间序列分析和分批数据采集两种设定中研究。
- 材料陈述的贡献
- 摘要称在所述稀疏度范围内，在线去偏可对LASSO实现最优去偏，并据此构造p值及具有最优尺度的置信区间。
- 阅读关注点
- 核对自适应采集与时间依赖的具体限制、在线校正如何利用历史信息，以及稀疏度条件、最优性标准和区间覆盖保证。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；最优性结论针对两种具体设定及相应稀疏条件，不能推广至任意自适应数据。
原文摘要
Adaptive collection of data is commonplace in applications throughout science and engineering. From the point of view of statistical inference, however, adaptive data collection induces memory and correlation in the samples, and poses significant challenge. We consider the high-dimensional linear regression, where the samples are collected adaptively, and the sample size n can be smaller than p, the number of covariates. In this setting, there are two distinct sources of bias: the first due to regularization imposed for consistent estimation, for example, using the LASSO, and the second due to adaptivity in collecting the samples. We propose “online debiasing,” a general procedure for estimators such as the LASSO, which addresses both sources of bias. In two concrete contexts (i) time series analysis and (ii) batched data collection, we demonstrate that online debiasing optimally debiases the LASSO estimate when the underlying parameter θ0 has sparsity of order o(n/ log p). In this regime, the debiased estimator can be used to compute p-values and confidence intervals of optimal size.