Semiparametric efficiency bounds for high-dimensional models
高维模型的半参数效率界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：摘要是通用稀疏高维效率理论，高斯图模型本身不足以归类为经济网络与干扰研究。
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
高维模型的半参数效率界
- 研究问题
- 当稀疏模型的参数维数超过样本量时，如何为高维参数的一维函数建立效率下界，并判断去偏估计能否达到该界？
- 方法与思路
- 作者分别使用渐近 Cramér–Rao 界与 Le Cam 型分析，对渐近无偏或正则估计量建立下界，并研究去稀疏化估计。
- 材料陈述的贡献
- 摘要称某些去偏的 l1 惩罚 M 估计量渐近无偏并达到方差下界，在此意义下有效；详细讨论线性回归与高斯图模型。
- 阅读关注点
- 核对稀疏度和参数空间条件、正则估计量的定义、局部扰动范围，以及具体去偏估计达到效率界所需的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，版本未注明；摘要未列出完整稀疏度或设计条件，不能推广为所有高维去偏估计都具有效率。
原文摘要
Asymptotic lower bounds for estimation play a fundamental role in assessing the quality of statistical procedures. In this paper, we propose a framework for obtaining semiparametric efficiency bounds for sparse high-dimensional models, where the dimension of the parameter is larger than the sample size. We adopt a semiparametric point of view: we concentrate on one-dimensional functions of a high-dimensional parameter. We follow two different approaches to reach the lower bounds: asymptotic Cramér–Rao bounds and Le Cam’s type of analysis. Both of these approaches allow us to define a class of asymptotically unbiased or “regular” estimators for which a lower bound is derived. Consequently, we show that certain estimators obtained by de-sparsifying (or de-biasing) an $\ell_{1}$-penalized M-estimator are asymptotically unbiased and achieve the lower bound on the variance: thus in this sense they are asymptotically efficient. The paper discusses in detail the linear regression model and the Gaussian graphical model.