Honest Inference for High-Dimensional Linear Models
高维线性模型的诚实推断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：摘要讨论高维线性回归中多重线性约束的稳健检验与渐近理论，未涉及因果识别、面板、离散选择、时间序列、资产定价等具体应用领域，故不选领域细分。
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…
高维线性模型的诚实推断
- 研究问题
- 摘要称，研究问题是在稀疏高维线性回归中对多重线性约束进行推断，且需在异方差、随机设计下对固定或发散个数的约束都保持渐近有效性，而无需事先指定渐近机制。
- 方法与思路
- 作者提出将去稀疏化 LASSO 估计与岭正则化二次型统计量结合，并使用随约束维数自适应的临界值；理论允许独立非同分布协变量行、边际次 Weibull 尾和满足有限多项式矩的异方差误差。
- 材料陈述的贡献
- 摘要称所提检验对异方差稳健且维数自适应，在所述正则条件下对固定或发散个数的约束渐近有效，无需预先指定渐近机制；蒙特卡洛显示相对传统 Wald 检验在有限样本下规模控制更好，尤其当约束个数增加时。
- 阅读关注点
- 应核对正则条件的具体表述、临界值的构造与维数自适应方式、去稀疏化 LASSO 与岭正则化二次型的结合细节，以及模拟中数据生成过程、约束个数设定和规模控制比较是否支持摘要结论。
- 阅读边界
- 仅依据摘要，无法判断定理证明的完整性、正则条件的可验证性、模拟设计的代表性及与其他方法的全面比较；该文为 arXiv 预印本，同行评审与期刊接收情况未经验证。
原文摘要
We propose a heteroskedasticity-robust and dimention-adaptive test for multiple linear restric- tions in sparse high-dimensional linear regression models. It combines desparsified LASSO estimation with a ridge-regularized quadratic form statistic and critical values that adapt to the restriction dimension. Under stated regularity conditions, our approach is asymptotically valid under a fixed or diverging number of restrictions without specifying the asymptotic regime in advance. Our random-design theory allows independent non-identically distributed covari- ate rows with marginal sub-Weibull tails and heteroskedastic errors satisfying finite polynomial moments. Monte Carlo simulations demonstrate improved finite-sample size control relative to conventional Wald tests, particularly as the number of restrictions increases.