Design-Assisted Regression
设计信息辅助的回归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：摘要提出通用回归框架，潜在效应与高维设定不足以确认所列具体领域。
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…
设计信息辅助的回归
- 研究问题
- 当协变量的边际分布本身包含估计与变量选择信息时，如何把这些信息纳入回归，并处理弱设计方向和潜在效应？
- 方法与思路
- 作者将条件响应模型与协变量分布的结构特征共同纳入估计准则，通过二次正则化稳定弱方向，并增广干扰项校正潜在效应。
- 材料陈述的贡献
- 摘要称，框架具有预言性质，可分解随机误差、收缩与近似的影响，相比忽略设计信息的稀疏基准改善估计并保持一阶预测表现。
- 阅读关注点
- 应核对设计信息如何获得、正则化与增广项如何构造，以及预言性质和预测比较依赖的条件、调参方式与基准设定。
- 阅读边界
- 这是 arXiv v1 预印本，同行评审与期刊接收均未核实；摘要未说明具体条件、改善幅度或真实应用细节。
原文摘要
We consider regression problems in which the marginal distribution of the covariates is informative for estimation and variable selection, rather than merely auxiliary. Motivated by random-design, high-dimensional, and latent-effect settings, we propose a general design-assisted regression framework in which the estimating criterion depends on both the conditional model for $Y \mid \bfX$ and structured features of the covariate distribution. The framework identifies two roles of design information: stabilizing weak design directions through quadratic regularization and correcting latent-effect distortion through nuisance augmentation. We establish oracle properties for the resulting estimator, separate the effects of stochastic error, shrinkage, and approximation, and compare it with a benchmark sparse procedure that ignores design information. These results show that the proposed framework improves estimation while preserving first-order prediction performance. Numerical studies and two real-data applications illustrate the practical impact of incorporating design information.