Variable Selection for Partially Linear Models With Measurement Errors
带测量误差的部分线性模型变量选择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：摘要明确提出带测量误差校正的惩罚分位数回归，直接对应分位数方法方向。
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…
带测量误差的部分线性模型变量选择
- 研究问题
- 在协变量存在加性测量误差的部分线性模型中，如何开展变量选择，并兼顾损失偏差修正、估计收敛与渐近分布性质？
- 方法与思路
- 作者提出非凸惩罚最小二乘和惩罚分位数回归，分别通过衰减校正与正交回归修正测量误差偏差，并讨论平滑参数选择。
- 材料陈述的贡献
- 摘要称，作者建立了收敛速度与渐近正态性，适当惩罚和正则化选择下具有 oracle 性质，并以模拟及应用考察有限样本表现。
- 阅读关注点
- 阅读时应核对测量误差信息的要求、两种校正的适用条件、非参数部分的平滑处理，以及 oracle 性质与调参条件之间的关系。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；摘要未列出误差假设、收敛速度或模拟数值，渐近 oracle 性质不等于有限样本无条件优势。
原文摘要
This article focuses on variable selection for partially linear models when the covariates are measured with additive errors. We propose two classes of variable selection procedures, penalized least squares and penalized quantile regression, using the nonconvex penalized principle. The first procedure corrects the bias in the loss function caused by the measurement error by applying the so-called correction-for-attenuation approach, whereas the second procedure corrects the bias by using orthogonal regression. The sampling properties for the two procedures are investigated. The rate of convergence and the asymptotic normality of the resulting estimates are established. We further demonstrate that, with proper choices of the penalty functions and the regularization parameter, the resulting estimates perform asymptotically as well as an oracle procedure (Fan and Li 2001). Choice of smoothing parameters is also discussed. Finite sample performance of the proposed variable selection procedures is assessed by Monte Carlo simulation studies. We further illustrate the proposed procedures by an application.