A penalized empirical likelihood method in high dimensions
高维惩罚经验似然方法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：摘要明确讨论高维观测的分量依赖，尚不足以归为时间序列、宏观因子或其他所列领域。
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…
高维惩罚经验似然方法
- 研究问题
- 当观测维数增长可能快于样本量时，如何对总体均值进行经验似然推断，并处理不同分量依赖结构造成的极限差异？
- 方法与思路
- 作者构造惩罚经验似然，分别分析分量间非遍历、长程和短程依赖下的比率统计量，并提出统一子抽样校准。
- 材料陈述的贡献
- 摘要称极限分布随相关结构显著变化，通常不同于固定维数的卡方极限；子抽样校准在三类情形下均获有效性证明。
- 阅读关注点
- 应核对维数与样本量的增长条件、惩罚形式、分量依赖的定义，以及子抽样规则和模拟中的有限样本表现。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 索引摘要；具体条件和模拟数值未说明，分量依赖也不能自动解释为观测的时间依赖。
原文摘要
This paper formulates a penalized empirical likelihood (PEL) method for inference on the population mean when the dimension of the observations may grow faster than the sample size. Asymptotic distributions of the PEL ratio statistic is derived under different component-wise dependence structures of the observations, namely, (i) non-Ergodic, (ii) long-range dependence and (iii) short-range dependence. It follows that the limit distribution of the proposed PEL ratio statistic can vary widely depending on the correlation structure, and it is typically different from the usual chi-squared limit of the empirical likelihood ratio statistic in the fixed and finite dimensional case. A unified subsampling based calibration is proposed, and its validity is established in all three cases, (i)–(iii). Finite sample properties of the method are investigated through a simulation study.