A lasso for hierarchical interactions
满足交互项层级约束的 lassoAI 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：摘要研究通用稀疏回归与交互选择，未提供所列经济计量应用领域的直接依据。
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…
满足交互项层级约束的 lasso
- 研究问题
- 如何在稀疏交互模型中保证交互项依赖于一项或两项重要主效应，并减少新预测所需测量的原始变量？
- 方法与思路
- 作者为 lasso 添加凸约束以落实层级结构，分析约束对估计的影响，并给出算法及 R 包 hierNet。
- 材料陈述的贡献
- 摘要称证明层级约束几乎必然成立，推导自由度的无偏估计及其界，并区分系数稀疏与测量变量的实际稀疏。
- 阅读关注点
- 应核对两类层级规则的具体定义、概率为一结论的条件、自由度计算，以及实证研究如何衡量变量测量成本。
- 阅读边界
- 仅据版本未注明的索引摘要；实证设计、误差表现及计算成本未说明，不能将实际稀疏直接解释为普遍预测优势。
原文摘要
We add a set of convex constraints to the lasso to produce sparse interaction models that honor the hierarchy restriction that an interaction only be included in a model if one or both variables are marginally important. We give a precise characterization of the effect of this hierarchy constraint, prove that hierarchy holds with probability one and derive an unbiased estimate for the degrees of freedom of our estimator. A bound on this estimate reveals the amount of fitting “saved” by the hierarchy constraint. We distinguish between parameter sparsity—the number of nonzero coefficients—and practical sparsity—the number of raw variables one must measure to make a new prediction. Hierarchy focuses on the latter, which is more closely tied to important data collection concerns such as cost, time and effort. We develop an algorithm, available in the R package hierNet, and perform an empirical study of our method.