Principled Inference in Dense High-Dimensional Linear Models via Local Conditional Sparsity
基于局部条件稀疏性的稠密高维线性模型原则化推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论高维线性模型推断与 ℓ1 惩罚方法，属于计量理论方法，未直接对应所提供的因果推断、面板、时间序列、金融等应用领域细分，故留空。
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…
基于局部条件稀疏性的稠密高维线性模型原则化推断
- 研究问题
- 研究问题：在系数稠密但单个信号较弱的高维线性模型中，如何对单个系数做有效的坐标级推断，而不依赖系数稀疏假设。
- 方法与思路
- 方法思路：作者提出 Neighborhood-Localized Nested Regression（NLNR），先用 nodewise ℓ1 惩罚回归估计目标协变量的稀疏条件邻域（SCN），再仅用目标协变量及其估计邻域拟合低维工作回归，并在此基础上发展阈值筛选与 boosting 变体。
- 材料陈述的贡献
- 摘要所述贡献：提出以稀疏条件依赖替代系数稀疏的推断框架，在适当正则条件下建立估计量的一致性与渐近正态性，并给出筛选程序的理论保证；模拟与 CCLE 数据应用显示较好经验表现。
- 阅读关注点
- 阅读时应核对：SCN 的识别条件与正则假设具体形式、渐近正态性所需条件、邻域估计误差如何影响推断、筛选与 boosting 变体的理论保证范围，以及模拟设计与 CCLE 应用的具体设定。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断假设是否现实、有限样本表现、与既有方法的比较细节；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
High-dimensional inference methods often rely on coefficient sparsity, an assumption that can be restrictive when signals are dense but individually weak. In such settings, valid inference may still be possible if the covariates exhibit sparse conditional dependence. Motivated by this observation, we propose Neighborhood-Localized Nested Regression (NLNR), a framework for coordinatewise inference in high-dimensional linear models with potentially dense coefficients. The central idea is to localize inference for a target coefficient to a low-dimensional working regression determined by a Sparse Conditional Neighborhood (SCN) of the target covariate. Specifically, for a given covariate, we estimate its SCN through nodewise $\ell_1$-penalized regression and then fit a regression using only the target covariate and its estimated neighborhood. Under suitable regularity conditions, we establish consistency and asymptotic normality of the resulting estimator. Building on this inferential reduction principle, we further develop a thresholding-based screening procedure with theoretical guarantees and a boosting variant that augments the working model with additional response-relevant covariates to improve finite-sample performance. Extensive simulations and an application to the CCLE dataset demonstrate favorable empirical performance.