Unified LASSO Estimation by Least Squares Approximation
通过最小二乘近似统一 LASSO 估计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：摘要提出跨模型的通用 LASSO 框架，分位数回归仅作为特例出现，尚不足以将研究主要方向归为分位数与分布效应。
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
通过最小二乘近似统一 LASSO 估计
- 研究问题
- 如何把不同模型中的 LASSO 目标转化为统一且易计算的形式，并在适当惩罚和调参下获得接近理想模型的估计效率？
- 方法与思路
- 作者提出最小二乘近似，将多类 LASSO 目标转成渐近等价的最小二乘问题，使标准渐近理论和 LARS 算法能够应用。
- 材料陈述的贡献
- 摘要称框架包含最小二乘、广义线性模型和分位数回归；结合自适应惩罚与 BIC 型调参时，估计量可达到理想估计效率。
- 阅读关注点
- 阅读全文时应核对近似依赖的初始估计与展开条件、不同目标的渐近等价范围，以及自适应惩罚和调参保证效率的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体正则条件和数值结果未提供，渐近等价及理想效率不能直接视为有限样本保证。
原文摘要
We propose a method of least squares approximation (LSA) for unified yet simple LASSO estimation. Our general theoretical framework includes ordinary least squares, generalized linear models, quantile regression, and many others as special cases. Specifically, LSA can transfer many different types of LASSO objective functions into their asymptotically equivalent least squares problems. Thereafter, the standard asymptotic theory can be established and the LARS algorithm can be applied. In particular, if the adaptive LASSO penalty and a Bayes information criterion–type tuning parameter selector are used, the resulting LSA estimator can be as efficient as the oracle. Extensive numerical studies confirm our theory.