One-step sparse estimates in nonconcave penalized likelihood models
非凹惩罚似然模型中的一步稀疏估计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：摘要研究通用惩罚似然与变量选择，未明确对应给定的经济计量细分方向。
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…
非凹惩罚似然模型中的一步稀疏估计
- 研究问题
- 面对不可微且非凹的惩罚似然目标，如何降低变量选择的计算成本，并使一步估计在适当条件下保持 oracle 性质？
- 方法与思路
- 作者用局部线性近似构建统一算法，使每一步自然产生稀疏估计，并建议从良好初始估计出发，以一步结果作为最终估计。
- 材料陈述的贡献
- 摘要称，作者建立算法收敛等理论性质；在初始估计良好且正则化参数适当时，一步估计具有 oracle 性质并降低计算成本。
- 阅读关注点
- 应核对初始估计的精度要求、正则化参数条件、算法收敛的含义，以及一步估计理论是否允许维度随样本量增长。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；oracle 性质依赖明确条件，模拟仅获定性评价，未提供比较数值或适用维度范围。
原文摘要
Fan & Li (2001) propose a family of variable selection methods via penalized likelihood using concave penalty functions. The nonconcave penalized likelihood estimators enjoy the oracle properties, but maximizing the penalized likelihood function is computationally challenging, because the objective function is nondifferentiable and nonconcave. In this article we propose a new unified algorithm based on the local linear approximation (LLA) for maximizing the penalized likelihood for a broad class of concave penalty functions. Convergence and other theoretical properties of the LLA algorithm are established. A distinguished feature of the LLA algorithm is that at each LLA step, the LLA estimator can naturally adopt a sparse representation. Thus we suggest using the one-step LLA estimator from the LLA algorithm as the final estimates. Statistically, we show that if the regularization parameter is appropriately chosen, the one-step LLA estimates enjoy the oracle properties with good initial estimators. Computationally, the one-step LLA estimation methods dramatically reduce the computational cost in maximizing the nonconcave penalized likelihood. We conduct some Monte Carlo simulation to assess the finite sample performance of the one-step sparse estimation methods. The results are very encouraging.