The sparse Laplacian shrinkage estimator for high-dimensional regression
高维回归的稀疏拉普拉斯收缩估计量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：摘要属于通用高维回归与变量选择，图惩罚本身不足以归入经济网络或干扰研究。
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…
高维回归的稀疏拉普拉斯收缩估计量
- 研究问题
- 当预测变量高度相关且变量数远大于样本量时，如何在选择变量的同时，将变量间相关结构纳入系数估计？
- 方法与思路
- 作者将极小极大凹惩罚与图对应的拉普拉斯二次惩罚结合，分别促进稀疏性和相关变量系数的平滑，并用坐标下降求解。
- 材料陈述的贡献
- 摘要称，方法具有广义分组性质，并在一定条件下实现选择一致性，以高概率等于知道真实变量集合的拉普拉斯收缩估计。
- 阅读关注点
- 应核对图结构的构造、边权与调参方式，以及选择一致性所需的信号和设计条件，另需查看非凸优化的解与收敛保证。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；所谓合理条件未展开，模拟数值也未提供，不能判断一般性优势或其他版本变化。
原文摘要
We propose a new penalized method for variable selection and estimation that explicitly incorporates the correlation patterns among predictors. This method is based on a combination of the minimax concave penalty and Laplacian quadratic associated with a graph as the penalty function. We call it the sparse Laplacian shrinkage (SLS) method. The SLS uses the minimax concave penalty for encouraging sparsity and Laplacian quadratic penalty for promoting smoothness among coefficients associated with the correlated predictors. The SLS has a generalized grouping property with respect to the graph represented by the Laplacian quadratic. We show that the SLS possesses an oracle property in the sense that it is selection consistent and equal to the oracle Laplacian shrinkage estimator with high probability. This result holds in sparse, high-dimensional settings with p ≫ n under reasonable conditions. We derive a coordinate descent algorithm for computing the SLS estimates. Simulation studies are conducted to evaluate the performance of the SLS method and a real data example is used to illustrate its application.