CONSISTENT AND CONSERVATIVE MODEL SELECTION WITH THE ADAPTIVE LASSO IN STATIONARY AND NONSTATIONARY AUTOREGRESSIONS
平稳与非平稳自回归中自适应 Lasso 的一致及保守模型选择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：摘要直接研究平稳与非平稳自回归、单位根区分及局部备择。
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
平稳与非平稳自回归中自适应 Lasso 的一致及保守模型选择
- 研究问题
- 自适应 Lasso 能否在平稳和非平稳自回归中正确选择变量，并区分平稳性；一致模型选择与局部备择功效之间有何关系？
- 方法与思路
- 作者推导自适应 Lasso 的 oracle 性质和 BIC 调参的选择一致性，再比较一致与保守模型选择调参对 c/T 阶备择的功效。
- 材料陈述的贡献
- 摘要称，自适应 Lasso 具有 oracle 效率且 BIC 可实现一致选择；一致调参对 c/T 阶备择无功效，保守调参则可保留功效。
- 阅读关注点
- 应核对平稳及非平稳设定中的权重、惩罚率和初始估计条件，以及保守选择的定义和与普通 Lasso 比较的具体标准。
- 阅读边界
- 解读仅限所给 Crossref 摘要；具体调参条件和功效表达未说明，oracle 效率属于所述渐近框架，不能推出有限样本普遍优势。
原文摘要
We show that the adaptive Lasso is oracle efficient in stationary and nonstationary autoregressions. This means that it estimates parameters consistently, selects the correct sparsity pattern, and estimates the coefficients belonging to the relevant variables at the same asymptotic efficiency as if only these had been included in the model from the outset. In particular, this implies that it is able to discriminate between stationary and nonstationary autoregressions and it thereby constitutes an addition to the set of unit root tests. Next, and important in practice, we show that choosing the tuning parameter by Bayesian Information Criterion (BIC) results in consistent model selection. However, it is also shown that the adaptive Lasso has no power against shrinking alternatives of the form c/T if it is tuned to perform consistent model selection. We show that if the adaptive Lasso is tuned to perform conservative model selection it has power even against shrinking alternatives of this form and compare it to the plain Lasso.