PROXIMAL ESTIMATION AND INFERENCE
近端估计与推断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：摘要讨论惩罚估计量的凸分析框架与渐近推断理论，未涉及因果推断、面板、离散选择、时间序列或金融等具体应用领域，故不选任何细分方向。
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
近端估计与推断
- 研究问题
- 摘要称，本文研究如何构造并分析一大类惩罚估计量，并在系数向量未必可点识别的线性回归（奇异或近奇异设计）中确定推断目标与估计性质。
- 方法与思路
- 作者提出凸分析框架：不对基准准则本身加惩罚，而是对基准估计量施加近端算子来定义惩罚估计量；给出有限样本性质、统一渐近分布结果，以及oracle选择与oracle渐近有效性的可操作条件。
- 材料陈述的贡献
- 摘要称，在线性回归不规则设计下以Ridgeless估计目标为推断对象，构造√n一致的修正Ridgeless基准估计量，并结合自适应近端惩罚，得到据称首个在正则与不规则设计下均具oracle性质的惩罚估计量。
- 阅读关注点
- 应核对近端算子的具体定义与正则条件、有限样本界与渐近分布的假设、oracle性质的精确含义，以及Ridgeless估计目标在不可点识别下的解释与修正基准的构造细节。
- 阅读边界
- 仅凭摘要无法判断定理条件是否可验证、证明是否完整、模拟或实证表现，也无法确认“首个”这一表述；摘要未说明具体数据、数值结果与识别假设的完整清单。
原文摘要
Abstract We develop a convex-analytic framework for constructing and analyzing a broad class of penalized estimators. Our method defines penalized estimators by applying proximal operators to benchmark estimators, rather than by penalizing the benchmark criterion itself. We establish general finite-sample properties, derive unified asymptotic distribution results, and provide tractable conditions for oracle selection and oracle asymptotic efficiency. We then apply the framework to linear regression with irregular designs, including singular and nearly-singular cases. In this setting, where the coefficient vector need not be point identified, we motivate the Ridgeless estimand as the inferential target, construct a n $\sqrt {n}$ StartRoot n EndRoot -consistent modified Ridgeless benchmark estimator, and combine it with adaptive proximal penalization to obtain, to the best of our knowledge, the first penalized estimator achieving the oracle property under both regular and irregular designs.