Doubly debiased lasso: High-dimensional inference under hidden confounding
双重去偏 lasso：隐藏混杂下的高维推断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。
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：摘要明确以隐藏混杂对因果关系或关联推断的影响为问题，并提出相应偏差修正。
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…
双重去偏 lasso：隐藏混杂下的高维推断
- 研究问题
- 当隐藏混杂同时影响多个已测协变量时，如何对高维线性回归的单个系数进行推断，并纠正两种不同偏差？
- 方法与思路
- 作者提出双重去偏 lasso，同时修正高维参数估计偏差和隐藏混杂偏差；方法有效性依赖每个混杂变量影响许多协变量。
- 材料陈述的贡献
- 摘要称建立渐近正态性及 Gauss–Markov 意义下的效率，并提供模拟、基因组应用及名为 DDL 的 CRAN 实现。
- 阅读关注点
- 应核对稠密混杂假设、目标系数的因果解释条件，以及双重修正的构造、调节参数和效率结论的适用范围。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；稠密混杂不代表可处理任意隐藏混杂，其他条件和数值未说明，软件可用性亦未核验。
原文摘要
Inferring causal relationships or related associations from observational data can be invalidated by the existence of hidden confounding. We focus on a high-dimensional linear regression setting, where the measured covariates are affected by hidden confounding and propose the doubly debiased lasso estimator for individual components of the regression coefficient vector. Our advocated method simultaneously corrects both the bias due to estimation of high-dimensional parameters as well as the bias caused by the hidden confounding. We establish its asymptotic normality and also prove that it is efficient in the Gauss–Markov sense. The validity of our methodology relies on a dense confounding assumption, that is, that every confounding variable affects many covariates. The finite sample performance is illustrated with an extensive simulation study and a genomic application. The method is implemented by the DDL package available from CRAN.