Non-Concave Penalized Likelihood with NP-Dimensionality
非多项式维数下的非凹惩罚似然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：摘要是广义线性模型的通用高维变量选择理论，没有所列经济计量应用领域的明确证据。
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…
关注这篇论文的作者
非多项式维数下的非凹惩罚似然
- 研究问题
- 在广义线性模型中，当变量维数以样本量的非多项式阶增长时，惩罚似然方法是否仍能实现模型选择一致性和 oracle 性质？
- 方法与思路
- 作者分析采用折叠凹惩罚的似然方法，并讨论边界情形的 L1 惩罚；通过坐标优化计算解路径，用模拟和实际数据评价表现。
- 材料陈述的贡献
- 摘要称为一类折叠凹惩罚建立非多项式维数下的选择一致性与 oracle 性质，并将相关分析延伸至 L1 惩罚情形。
- 阅读关注点
- 应核对维数增长、稀疏性、信号强度及设计条件，并区分不同惩罚可获性质、理论解的定义与坐标算法实际得到的解。
- 阅读边界
- 材料为 arXiv v1 预印本，未核验同行评审或期刊接收；摘要未列完整条件，不能认定所有惩罚或坐标优化解都具有同样的 oracle 性质。
原文摘要
Penalized likelihood methods are fundamental to ultra-high dimensional variable selection. How high dimensionality such methods can handle remains largely unknown. In this paper, we show that in the context of generalized linear models, such methods possess model selection consistency with oracle properties even for dimensionality of Non-Polynomial (NP) order of sample size, for a class of penalized likelihood approaches using folded-concave penalty functions, which were introduced to ameliorate the bias problems of convex penalty functions. This fills a long-standing gap in the literature where the dimensionality is allowed to grow slowly with the sample size. Our results are also applicable to penalized likelihood with the $L_1$-penalty, which is a convex function at the boundary of the class of folded-concave penalty functions under consideration. The coordinate optimization is implemented for finding the solution paths, whose performance is evaluated by a few simulation examples and the real data analysis.