Proximal Estimation and Inference
近端估计与推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦惩罚估计量的渐近分布与 Oracle 性质等通用计量理论，未涉及因果推断、面板、时间序列或金融等具体领域细分，故不选。
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
近端估计与推断
- 研究问题
- 摘要称，本文研究一大类惩罚估计量在正则与非正则设计下的统计性质，包括其渐近分布与 Oracle 性质，并系统覆盖线性回归中正则与非正则设计的情形。
- 方法与思路
- 作者提出统一凸分析框架，将惩罚估计量解释为对初始估计量施加近端算子所得的近端估计量，并刻画其渐近分布与惩罚次梯度的关系，据此构造 Ridgeless 型近端估计量。
- 材料陈述的贡献
- 摘要称，近端估计量的渐近分布有闭式表达，仅依赖初始估计量的渐近分布、极限惩罚次梯度与近端算子的内积；并可由惩罚次梯度性质刻画 Oracle 特征，构造出 √n 相合、渐近正态且具 Oracle 性质的 Ridgeless 型估计量。
- 阅读关注点
- 应核对近端算子的定义与正则条件、非正则设计下渐近分布闭式公式的推导前提、Oracle 性质的精确含义，以及 Monte Carlo 设定是否与理论假设一致。
- 阅读边界
- 仅凭摘要无法判断定理的识别假设、证明细节与模拟结果；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We build a unifying convex analysis framework characterizing the statistical properties of a large class of penalized estimators, both under a regular and an irregular design. Our framework interprets penalized estimators as proximal estimators, defined by a proximal operator applied to a corresponding initial estimator. We characterize the asymptotic properties of proximal estimators, showing that their asymptotic distribution follows a closed-form formula depending only on (i) the asymptotic distribution of the initial estimator, (ii) the estimator's limit penalty subgradient and (iii) the inner product defining the associated proximal operator. In parallel, we characterize the Oracle features of proximal estimators from the properties of their penalty's subgradients. We exploit our approach to systematically cover linear regression settings with a regular or irregular design. For these settings, we build new $\sqrt{n}-$consistent, asymptotically normal Ridgeless-type proximal estimators, which feature the Oracle property and are shown to perform satisfactorily in practically relevant Monte Carlo settings.