On the adaptive elastic-net with a diverging number of parameters
参数维度随样本量增长时的自适应弹性网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：摘要研究一般高维变量选择与正则估计，未明确用于金融预测、因子模型或其他给定细分。
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
参数维度随样本量增长时的自适应弹性网
- 研究问题
- 当参数数量随样本量增长且高维数据存在共线性时，如何兼顾变量选择的预言性质与估计的有限样本表现？
- 方法与思路
- 作者提出自适应弹性网，结合二次正则化与自适应加权lasso收缩，在正则条件下研究预言性质并开展模拟比较。
- 材料陈述的贡献
- 摘要称建立自适应弹性网的预言性质，并报告模拟中其处理共线性及有限样本表现优于所比较的其他类似方法。
- 阅读关注点
- 应核对维度增长、信号强度和设计矩阵条件，以及自适应权重、调参规则、预言性质定义与模拟比较的公平性。
- 阅读边界
- 仅据版本未注明的索引摘要；所谓弱条件及模拟设定未展开，预言性质不保证任意高维数据上的选择或预测优势。
原文摘要
We consider the problem of model selection and estimation in situations where the number of parameters diverges with the sample size. When the dimension is high, an ideal method should have the oracle property (Fan and Li, 2001; Fan and Peng, 2004) which ensures the optimal large sample performance. Furthermore, the high-dimensionality often induces the collinearity problem which should be properly handled by the ideal method. Many existing variable selection methods fail to achieve both goals simultaneously. In this paper, we propose the adaptive Elastic-Net that combines the strengths of the quadratic regularization and the adaptively weighted lasso shrinkage. Under weak regularity conditions, we establish the oracle property of the adaptive Elastic-Net. We show by simulations that the adaptive Elastic-Net deals with the collinearity problem better than the other oracle-like methods, thus enjoying much improved finite sample performance.