Inference in High Dimensional Generalized Linear Models Based on Soft Thresholding
基于软阈值的高维广义线性模型推断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：核心是通用广义线性模型的正则化与推断，偿付能力应用不足以明确归入金融尾部风险等细分。
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
基于软阈值的高维广义线性模型推断
- 研究问题
- 在系数众多的广义线性模型中，如何自适应选择模型项、控制方差增加，并评估包括被剔除项在内的系数估计不确定性？
- 方法与思路
- 作者将软阈值与 lasso 思路推广到多预测变量的广义线性模型，构造系数协方差估计，并结合基函数、回归样条及定性约束。
- 材料陈述的贡献
- 摘要称，该方法支持自适应选项而不显著增加方差，协方差估计也可用于被剔除项，并以偿付能力预测和租金指南展示应用。
- 阅读关注点
- 应核对惩罚参数选择、被剔除项协方差的解释、变量选择后的推断依据，以及样条和定性约束的实现与应用验证。
- 阅读边界
- 仅据所给 Crossref 摘要，不能判断选择后区间覆盖率或高维适用范围；摘要未说明具体条件、预测结果及比较基准。
原文摘要
Summary We further develop and analyse penalized likelihood estimators for generalized linear models with a large number of coefficients. The methodology proposed leads to an adaptive selection of model terms without substantial variance inflation. Our proposal extends the soft thresholding strategy of Donoho and Johnstone and the lasso of Tibshirani to generalized linear models and multiple predictor variables. In addition, we develop an estimator for the covariance matrix of the estimated coefficients, which can even be used for terms dropped from the model. Used in connection with basis functions, the methodology proposed provides an alternative to other generalized function estimators. It leads to an adaptive economical description of the results in terms of basis functions. Specifically, it is shown how adaptive regression splines and qualitative restrictions can be incorporated. Our approach is demonstrated by applications to a prognosis of solvency and rental guides.