A pivotal transform for the high-dimensional location-scale model
高维位置-尺度模型中的枢轴变换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：摘要讨论高维线性模型的惩罚似然、oracle 不等式与变量选择，属高维统计理论，未涉及所给微观、宏观或金融领域细分的具体主题。
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…
高维位置-尺度模型中的枢轴变换
- 研究问题
- 研究在高维线性模型中，当噪声分布已知但含未知尺度参数时，如何选择不依赖尺度参数的惩罚调优参数，并估计回归系数、尺度参数与截距。
- 方法与思路
- 作者提出对对数似然做一种变换，使调优参数的选择不依赖尺度参数；该变换是二次损失下平方根 Lasso 的推广，并允许调优参数渐近取在检测边缘。
- 材料陈述的贡献
- 摘要称建立了 oracle 不等式、变量选择结果，以及尺度参数与截距估计的渐近有效性；示例涵盖 Subbotin 分布与 Gumbel 分布。
- 阅读关注点
- 应核对变换的具体构造与适用条件、检测边缘处调优参数的可操作性、oracle 不等式与变量选择所需的正则性假设，以及渐近有效性的证明范围。
- 阅读边界
- 仅凭摘要无法判断假设是否合理、证明是否完整、有限样本表现如何，也未说明模拟或实证证据；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We study the high-dimensional linear model with noise distribution known up to a scale parameter. With an $\ell_1$-penalty on the regression coefficients, we show that a transformation of the log-likelihood allows for a choice of the tuning parameter not depending on the scale parameter. This transformation is a generalization of the square root Lasso for quadratic loss. The tuning parameter can asymptotically be taken at the detection edge. We establish an oracle inequality, variable selection and asymptotic efficiency of the estimator of the scale parameter and the intercept. The examples include Subbotin distributions and the Gumbel distribution.