An adaptive variance estimator for relative sparsity
相对稀疏性的自适应方差估计量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：摘要提到策略学习、策略系数与临床医学中的安全使用，属于因果推断与政策学习语境下的统计推断问题，故归入因果推断；其余细分方向在摘要中无文本依据。
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
相对稀疏性的自适应方差估计量
- 研究问题
- 摘要称，此前工作已发展出相对稀疏性的推断方法并给出自适应 lasso 渐近正态性定理，但在估计策略系数方差时未充分利用该定理；本文要解决的是如何构造一个充分利用该定理、并考虑变量选择的系数方差估计量。
- 方法与思路
- 作者提出一个新的系数方差估计量，摘要称其完全利用已有的自适应 lasso 渐近正态性定理，并在过程中把变量选择纳入考虑。摘要未说明具体的估计公式、渐近性质推导或模拟设计。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：新方差估计量改善了图形化选择图中的不确定性表示，从而有助于在临床医学中安全使用策略学习。摘要未给出任何数值结果或理论保证的具体形式。
- 阅读关注点
- 阅读全文时应核对：新估计量如何具体利用渐近正态性定理、如何刻画变量选择带来的不确定性、其渐近性质与有限样本表现，以及图形化选择图与临床决策之间的衔接是否被论证。
- 阅读边界
- 仅凭摘要无法判断估计量的一致性、覆盖率等理论性质，也无法判断模拟或实证证据是否支持其优于既有做法；摘要未说明数据来源与具体应用场景。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
An approach to inference for relative sparsity was developed in prior work, and an adaptive lasso asymptotic normality theorem was given there, but this theorem was not fully used when estimating the variance of the policy coefficients. Here, we develop a new coefficient variance estimator that fully uses this theorem and, in the process, takes into account the variable selection. This improves the uncertainty representation in the graphical selection diagrams, ultimately facilitating the safe use of policy learning in clinical medicine.