Small Tuning Parameter Selection for the Debiased Lasso
去偏 Lasso 的小调参选择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：摘要主要讨论一般高维线性回归的去偏与调参，经济数据例子未明确对应所列领域细分。
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
去偏 Lasso 的小调参选择
- 研究问题
- 当协变量数量至多为样本量的常数倍时，减小节点回归 Lasso 的调参能否降低去偏估计的偏差而不使渐近方差发散？
- 方法与思路
- 作者研究节点回归调参取 1/n 阶时的偏差与方差，提出与理论结果相符的数据驱动选择程序，并用模拟评估置信区间覆盖。
- 材料陈述的贡献
- 摘要称小调参可降低偏差并支持渐近正态性，提出可实施的选择程序；但所给文本的新旧稀疏条件相同，未呈现明确条件放宽。
- 阅读关注点
- 应核对调参阶数成立的设计与误差条件、初始 Lasso 的要求，以及新旧稀疏条件重复是否源于摘要转录或表述问题。
- 阅读边界
- 解读限于所给 OpenAlex 摘要；文本对新旧研究均写出相同的稀疏条件，不能自行修正或据此声称条件改进，其他具体假设亦未说明。
原文摘要
In this study, we investigate the bias and variance properties of the debiased Lasso in linear regression when the tuning parameter of the node-wise Lasso is selected to be smaller than in previous studies. We consider the case where the number of covariates p is bounded by a constant multiple of the sample size n. First, we show that the bias of the debiased Lasso can be reduced without diverging the asymptotic variance by setting the order of the tuning parameter to 1/n. This implies that the debiased Lasso has asymptotic normality provided that the number of nonzero coefficients s0 satisfies s0=o(n/ log p), whereas previous studies require s0=o(n/ log p) if no sparsity assumption is imposed on the inverse of the second moment matrix of covariates. Second, we propose a data-driven tuning parameter selection procedure for the node-wise Lasso that is consistent with our theoretical results. Simulation studies show that our procedure yields confidence intervals with good coverage properties in various settings. We also present a real economic data example to demonstrate the efficacy of our selection procedure.