A comprehensive guideline for regularization-path variable selection in high-dimensional Gaussian linear regression
高维高斯线性回归中正则化路径变量选择的综合指南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：摘要主题为高维高斯线性回归的正则化路径变量选择方法比较，属于统计方法与计量方法学内容，未直接对应所提供的因果推断、面板、时间序列、金融等任一领域细分，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…
高维高斯线性回归中正则化路径变量选择的综合指南
- 研究问题
- 摘要称，本文关注高维高斯线性回归中完整的正则化路径变量选择流程，比较从正则化路径构造到最终变量子集选择的各类做法，并考察不同方法在不同评价标准与数据情形下的表现。
- 方法与思路
- 作者提出开展模拟研究，联合比较两种凸正则化函数（Lasso 与 Elastic-Net）与两种优化算法（LARS 与循环坐标下降），并搭配多种模型选择与变量识别技术，同时纳入具有非渐近理论保证的方法。
- 材料陈述的贡献
- 摘要称其模拟研究提供完整变量选择的综合指南，并给出不同评价标准（pROC-AUC、MSE、recall、specificity、FDP）与不同变量依赖结构下的方法优劣指引；结论认为 Elastic-Net 结合 LARS 提供最可靠的正则化路径，最终选择程序取决于优先预测、支撑恢复还是错误发现控制，并强调 LinSelect 的质量及调校数据依赖惩罚中未知常数的未来需求。
- 阅读关注点
- 阅读全文时应核对模拟设计的具体设定、所比较方法的完整清单与实现细节、各评价指标的定义与计算方式、变量依赖结构的构造，以及结论在何种数据情形下成立；同时确认摘要未说明的理论保证条件与常数调校建议的具体内容。
- 阅读边界
- 本文为 arXiv 预印本，未经同行评审或期刊接收验证；摘要未说明模拟的样本量、维度、真实模型设定、重复次数与具体数值结果，也未给出理论证明细节，因此仅凭摘要不能判断方法的实际优劣与适用范围。
原文摘要
This paper provides a comprehensive comparison of complete regularization-path-based variable selection procedures in high-dimensional Gaussian linear regression. Our simulation study stands out from previous ones for several reasons. First, it offers comprehensive guidelines for complete variable selection, from regularization path construction to final variable subset selection. In particular, we compare jointly two convex regularization functions (Lasso and Elastic-Net) with two optimization algorithms (LARS and cyclic coordinate descent) and a range of model selection and variable identification techniques. Second, we also incorporate methods with non-asymptotic theoretical guarantees, which are typically not included in existing reviews. It is unrealistic to expect a single method that works best. Still, we provide detailed guidance on which methods perform best under different evaluation criteria, including pROC-AUC, MSE, recall, specificity, and FDP, and that are robust to data scenarios, including varying variable dependency structures. Overall, Elastic-Net combined with the LARS algorithm provides the most reliable regularization path, while the preferred final selection procedure depends on whether prediction performances, support recovery or false discovery control is prioritized. We show that some methods are empirically better for a given criterion than others, even though the latter were designed to control for it theoretically. Regarding new developments in a non-asymptotic setting, we highlight the quality of LinSelect and the need, as future work, to fine-tune the unknown constants of data-dependent penalties in high-dimensional Gaussian linear regression models.