Robust Regression Shrinkage and Consistent Variable Selection Through the LAD-Lasso
通过 LAD-lasso 实现稳健回归收缩与一致变量选择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。
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：摘要主要讨论通用回归的稳健性、收缩及变量选择，未交代特定经济对象或分布效应目标，领域细分证据不足。
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
通过 LAD-lasso 实现稳健回归收缩与一致变量选择
- 研究问题
- 如何将最小绝对偏差回归与 lasso 的收缩及变量选择结合，在响应变量存在异常值或误差具有厚尾时保持稳健性并获得一致选择？
- 方法与思路
- 作者结合 LAD 回归与 lasso 构造 LAD-lasso，以同时估计参数和选择变量，提出可估计的调参方案，并以模拟和实例展示方法。
- 材料陈述的贡献
- 摘要称 LAD-lasso 对厚尾误差或响应异常值具有稳健性，并具有 oracle 性质，其渐近效率与真实模型下未惩罚的 LAD 估计相同。
- 阅读关注点
- 阅读时应核对惩罚形式、调参估计方法及 oracle 性质所需条件，区分变量选择的一致性与参数估计效率，并检查异常值模拟设置。
- 阅读边界
- 摘要未列出 oracle 性质成立的设计、误差及调参条件，也未交代模拟和实例细节；不能据此判断高维情形或任意污染下的表现。
原文摘要
The least absolute deviation (LAD) regression is a useful method for robust regression, and the least absolute shrinkage and selection operator (lasso) is a popular choice for shrinkage estimation and variable selection. In this article we combine these two classical ideas together to produce LAD-lasso. Compared with the LAD regression, LAD-lasso can do parameter estimation and variable selection simultaneously. Compared with the traditional lasso, LAD-lasso is resistant to heavy-tailed errors or outliers in the response. Furthermore, with easily estimated tuning parameters, the LAD-lasso estimator enjoys the same asymptotic efficiency as the unpenalized LAD estimator obtained under the true model (i.e., the oracle property). Extensive simulation studies demonstrate satisfactory finite-sample performance of LAD-lasso, and a real example is analyzed for illustration purposes.