Testing Many Zero Restrictions in a High Dimensional Linear Regression Setting
高维线性回归中大量零约束的检验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：摘要讨论通用高维独立同分布回归检验，未提供可归入所列应用细分领域的直接证据。
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
高维线性回归中大量零约束的检验
- 研究问题
- 当独立同分布线性回归的解释变量数远大于样本量时，如何无需稀疏性假设或正则化估计，检验大量参数是否为零？
- 方法与思路
- 作者逐一估计含干扰项的低维回归，以加权估计序列中的最大项构造统计量，并用参数型野生自助法计算 p 值。
- 材料陈述的贡献
- 摘要称，方法具有较低计算复杂度，检验一致且具有非平凡局部功效；局部备择尺度涉及样本量、对数项和协变量四阶矩。
- 阅读关注点
- 应核对低维子模型为何能判别原参数的零约束、干扰项如何处理，以及最大值统计量、自助法和局部功效的适用条件。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；未列出完整设计和矩条件，局部功效公式的文本排版也不够清晰，不能据此补写精确速率。
原文摘要
We propose a test of many zero parameter restrictions in a high dimensional linear iid regression model with k ≫ n regressors. The test statistic is formed by estimating key parameters one at a time based on many low dimension regression models with nuisance terms. The parsimoniously parameterized models identify whether the original parameter of interest is or is not zero. Estimating fixed low dimension sub-parameters ensures greater estimator accuracy, it does not require a sparsity assumption nor therefore a regularized estimator, it is computationally fast compared to, for example, de-biased Lasso, and using only the largest in a sequence of weighted estimators reduces test statistic complexity and therefore estimation error. We provide a parametric wild bootstrap for p-value computation, and prove the test is consistent and has nontrivial n/{ ln (n)Mn}-local-to-null power where Mn is the l∞ covariate fourth moment.