Asymptotics for lasso-type estimators
Lasso 型估计量的渐近性质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：摘要研究通用惩罚回归的渐近理论，未明确面板、结构估计、预测或其他所列细分应用。
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
Lasso 型估计量的渐近性质
- 研究问题
- 在残差平方和上加入系数绝对值幂次惩罚后，回归估计量具有怎样的极限分布，近奇异设计又如何影响其渐近行为？
- 方法与思路
- 作者研究不同正幂次的惩罚最小二乘估计，其中包含 Lasso，并分析零真值参数及近奇异设计下的渐近分布。
- 材料陈述的贡献
- 摘要称在适当条件下，零真值参数对应的极限分布可以在零点具有正概率质量，并进一步讨论近奇异设计的渐近性质。
- 阅读关注点
- 应核对惩罚强度随样本量变化的方式、幂次与设计矩阵条件，以及零点概率质量和近奇异设计结论的准确范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；完整条件与极限分布未提供，零点质量不能直接解释为模型选择一致性或有效推断保证。
原文摘要
We consider the asymptotic behavior ofregression estimators that minimize the residual sum of squares plus a penalty proportional to $\sum|\beta_j|^{\gamma}$. for some $\gamma > 0$. These estimators include the Lasso as a special case when $\gamma = 1$. Under appropriate conditions, we show that the limiting distributions can have positive probability mass at 0 when the true value of the parameter is 0.We also consider asymptotics for “nearly singular” designs.