Addressing both variable selection and misclassified responses with parametric and semiparametric methods
参数与半参数方法下的变量选择与响应误分类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：摘要明确以二分类与响应误分类为研究情境，属于离散选择相关的微观计量方向；其余领域细分在摘要中缺乏文本依据。
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
参数与半参数方法下的变量选择与响应误分类
- 研究问题
- 摘要称，变量选择在文献中已受广泛关注，但在响应存在测量误差时的变量选择问题仍研究不足；本文在响应易出错的二分类情境下考察该问题。
- 方法与思路
- 作者提出利用验证数据，分别给出参数与半参数方法来处理响应误测效应，并通过理论推导论证方法的有效性；摘要称在适当选取惩罚函数与正则化参数后，所得估计量具有 oracle 性质，并用数值研究考察有限样本表现。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：为响应误分类下的二分类问题提供有效的变量选择程序，给出参数与半参数两类方法，并建立理论结果以支持其有效性及 oracle 性质。
- 阅读关注点
- 阅读全文时应核对：误分类机制与验证数据的识别假设、参数与半参数方法各自的具体形式、oracle 性质所需的正则条件、数值研究的设计与数据生成方式，以及摘要未说明的估计与推断细节。
- 阅读边界
- 仅凭摘要无法判断假设是否合理、理论证明是否完整、数值结果的具体表现与适用范围；摘要未说明验证数据规模、误分类率设定及与其他方法的比较。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
While variable selection has received extensive attention in the literature, its exploration in the presence of response measurement error remains underexplored. In this paper, we investigate this important problem within the context of binary classification with error-prone responses. We present valid variable selection procedures to address the complexities of response errors. Leveraging validation data, we introduce both parametric and semiparametric methodologies to accommodate the mismeasurement effects. By rigorously establishing theoretical results, we offer insights and justifications of the validity of the proposed methods. By properly choosing {the} penalty function and regularization parameter, we demonstrate that the resulting estimators possess the oracle property. To assess the finite sample properties of the proposed methods, we conduct numerical studies that confirm the effectiveness of our proposed methods.