A likelihood ratio framework for high-dimensional semiparametric regression
高维半参数回归的似然比推断框架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：摘要以高维半参数回归推断为主，选择偏差一词本身不足以确定因果推断分类。
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
高维半参数回归的似然比推断框架
- 研究问题
- 在存在不完整数据、选择偏差或异质性的高维半参数广义线性模型中，如何对低维目标参数进行正则化后的统计推断？
- 方法与思路
- 作者提出正则化统计色谱方法，避免估计未知基准测度函数，再以方向似然构造置信域与检验，并分析无界核 U 统计量。
- 材料陈述的贡献
- 摘要称提出目标参数估计与正则化后似然比推断框架，建立新的集中不等式和正态近似结果，并扩展至缺失数据及多数据集。
- 阅读关注点
- 应核对基准测度如何被消去、方向似然的构造，以及稀疏性、缺失机制和选择偏差条件如何进入估计与推断结果。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出缺失与选择机制的限制，所述模拟和应用也不足以证明普遍优越性或因果识别。
原文摘要
We propose a new inferential framework for high-dimensional semiparametric generalized linear models. This framework addresses a variety of challenging problems in high-dimensional data analysis, including incomplete data, selection bias and heterogeneity. Our work has three main contributions: (i) We develop a regularized statistical chromatography approach to infer the parameter of interest under the proposed semiparametric generalized linear model without the need of estimating the unknown base measure function. (ii) We propose a new likelihood ratio based framework to construct post-regularization confidence regions and tests for the low dimensional components of high-dimensional parameters. Unlike existing post-regularization inferential methods, our approach is based on a novel directional likelihood. (iii) We develop new concentration inequalities and normal approximation results for U-statistics with unbounded kernels, which are of independent interest. We further extend the theoretical results to the problems of missing data and multiple datasets inference. Extensive simulation studies and real data analysis are provided to illustrate the proposed approach.