Sharp Threshold Detection Based on Sup-Norm Error Rates in High-Dimensional Models
基于上确界范数误差率的高维模型精细阈值检测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：摘要聚焦高维门槛回归的误差界与变量选择，债务与增长应用未说明宏观面板、时间序列或结构变化设定，故暂不细分。
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…
基于上确界范数误差率的高维模型精细阈值检测
- 研究问题
- 高维门槛回归中，如何用更精细的逐系数误差控制区分零与非零参数，并通过系数阈值化实现一致的变量选择？
- 方法与思路
- 作者先建立尺度化Lasso估计量的ℓ∞误差上界，再利用该界指导系数阈值化，构造适用于高维门槛回归的变量选择估计量。
- 材料陈述的贡献
- 摘要称，上确界范数误差界可比传统oracle不等式更精细地区分零与非零系数，并支持一致变量选择；模拟显示筛选效果明显改善。
- 阅读关注点
- 重点核对ℓ∞界的设计与稀疏性条件、变量选择所需最小信号强度，并区分系数筛选阈值与回归模型的门槛参数。
- 阅读边界
- 摘要未列出误差界成立条件、最小信号强度及具体改善幅度；债务与增长应用未说明因果识别，不能据此解释为因果效应。
原文摘要
We propose a new estimator, the thresholded scaled Lasso, in high-dimensional threshold regressions. First, we establish an upper bound on the ℓ∞ estimation error of the scaled Lasso estimator of Lee, Seo, and Shin. This is a nontrivial task as the literature on high-dimensional models has focused almost exclusively on ℓ1 and ℓ2 estimation errors. We show that this sup-norm bound can be used to distinguish between zero and nonzero coefficients at a much finer scale than would have been possible using classical oracle inequalities. Thus, our sup-norm bound is tailored to consistent variable selection via thresholding. Our simulations show that thresholding the scaled Lasso yields substantial improvements in terms of variable selection. Finally, we use our estimator to shed further empirical light on the long-running debate on the relationship between the level of debt (public and private) and GDP growth. Supplementary materials for this article are available online.