Debiased Inference for High-Dimensional Regression Models Based on Profile M-Estimation
基于轮廓 M 估计的高维回归去偏推断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。
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：摘要讨论高维回归去偏推断与轮廓 M 估计的一般方法，未明确涉及所给领域细分中的因果推断、面板、离散选择、结构估计、时间序列或金融计量等具体方向，故不选择细分领域。
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…
基于轮廓 M 估计的高维回归去偏推断
- 研究问题
- 摘要称，高维回归中正则化估计量的有效推断已有大量研究，但许多现有方法依赖显式构造向冗余参数空间的投影来实现 Neyman 正交性；当投影没有显式形式时不可行。本文要解决的是：如何在不依赖模型特定正交化或投影推导的前提下，对高维回归模型进行去偏推断。
- 方法与思路
- 作者提出 Debiased Profile M-Estimation（DPME）框架：先通过优化带惩罚的目标函数得到参数初始估计，再对以兴趣参数固定时的最优目标函数所定义的轮廓函数的梯度施加 Newton–Raphson 一步更新以纠正惩罚偏差，并使用数值微分而无需显式计算梯度。摘要称所得估计量渐近线性且渐近正态。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提出一个适用范围较广、无需模型特定 Neyman 正交化或投影推导的通用去偏框架；通过模拟显示所提方法相比现有替代方法覆盖率更好且计算成本大幅降低；并将其应用于多发性骨髓瘤治疗规则的估计。
- 阅读关注点
- 应核对：DPME 的渐近线性与正态性所需的正则条件、惩罚项与维度增长假设；数值微分的步长选择及其对推断有效性的影响；模拟中覆盖率与计算成本的比较设置是否公平、是否覆盖多种模型；骨髓瘤应用中治疗规则与兴趣参数的界定及识别依据。
- 阅读边界
- 仅凭摘要无法判断定理条件是否完备、模拟与实证的具体设定和数值结果，也无法评估方法相对现有方法的普遍优越性；摘要未说明投影不可得情形下的具体适用边界与失效条件。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Debiased inference for high-dimensional regression models has received substantial recent attention to ensure regularized estimators have valid inference. Many existing methods focus on achieving Neyman orthogonality through explicitly constructing projections onto the space of nuisance parameters, which is infeasible when an explicit form of the projection is unavailable. We introduce a general debiasing framework, Debiased Profile $M$-Estimation (DPME), which applies to a broad class of models and does not require model-specific Neyman orthogonalization or projection derivations as in existing methods. Our approach begins with obtaining an initial estimator of the parameters by optimizing a penalized objective function. To correct for the bias introduced by penalization, we construct a one-step estimator using the Newton--Raphson update, applied to the gradient of a profile function defined as the optimal objective function with the parameter of interest held fixed. We use numerical differentiation without requiring explicit calculation of the gradients. The resulting DPME estimator is shown to be asymptotically linear and normally distributed. Through extensive simulations, we demonstrate that the proposed method achieves better coverage rates than existing alternatives with largely reduced computational cost. Finally, we illustrate the utility of our method by applying it to estimate a treatment rule for multiple myeloma.