Degrees of Freedom in Penalized Regression: Model Selection with Adaptive Penalties
惩罚回归中的自由度：自适应惩罚下的模型选择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：摘要讨论惩罚回归的有效自由度与风险估计，属于统计方法论，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等具体应用方向，故不选择。
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…
惩罚回归中的自由度：自适应惩罚下的模型选择
- 研究问题
- 摘要称，惩罚回归的模型选择依赖对模型复杂度的准确度量，通常用有效自由度刻画；Lasso 的有效自由度可简单无偏地由活跃集大小表示，但该性质在自适应惩罚方法中并不成立，而实践中仍广泛沿用这一近似。
- 方法与思路
- 作者提出在 Stein 无偏风险估计框架下，为 Adaptive Lasso 推导有效自由度的无偏估计量；摘要称分析揭示出由数据依赖惩罚引出的额外项，并重新考察 Group Lasso 的自由度、给出替代推导，再推广到 Adaptive Group Lasso。
- 材料陈述的贡献
- 摘要称，本文给出 Adaptive Lasso 有效自由度的新无偏估计，刻画了自适应权重与正则化在模型复杂度中的作用，并在一般设计矩阵下（而非文献常假设的正交设计）描述自由度沿正则化路径的行为，从而纠正以活跃集大小代替自由度的常见误用。
- 阅读关注点
- 阅读全文时应核对：无偏性所依赖的具体假设与设计条件；额外项的形式与可操作性；一般设计矩阵下结论的适用范围；对 Group Lasso 的替代推导与原文既有结果的关系；以及这些结果如何用于风险估计与推断。
- 阅读边界
- 仅凭摘要无法判断估计量的有限样本表现、模拟或实证结果、证明细节与适用边界；摘要未说明具体假设、定理条件与数值证据。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
Model selection in penalized regression critically depends on an accurate assessment of model complexity, commonly quantified through the effective degrees of freedom. While the Lasso admits a simple and unbiased characterization, given by the size of the active set, this property does not extend to adaptive penalization methods, despite the widespread use of this approximation in practice. To solve this issue, in this paper we derive a novel unbiased estimator of the effective degrees of freedom for the Adaptive Lasso within Stein's unbiased risk estimation framework. Our analysis reveals additional terms induced by data-dependent penalization, reflecting the role of adaptive weights and regularization in determining model complexity. We further revisit the Group Lasso, providing an alternative derivation of its degrees of freedom, and extend these results to the Adaptive Group Lasso. Importantly, we characterize the behavior of the degrees of freedom along the regularization path beyond the orthonormal design setting commonly assumed in the literature, providing a new theoretical description of this behavior under general design matrices. By correcting the common misuse of active set size as a proxy for degrees of freedom, our results enable more reliable risk estimation and inference, offering a rigorous foundation for understanding model complexity in adaptive penalized regression.