Two-Directional Simultaneous Inference for High-Dimensional Models
高维模型的双向同时推断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：摘要涵盖一般高维均值、稀疏回归和潜因子模型，未给出具体经济领域与数据背景，不能据此确定领域细分。
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…
高维模型的双向同时推断
- 研究问题
- 高维模型中，如何同时检查被设为零的参数是否确实为零，以及被设为非零的参数集合中是否仍存在零参数？
- 方法与思路
- 作者提出双向同时推断框架，分别检验零参数组与非零参数组，并讨论单次样本划分及多次划分的理论性质。
- 材料陈述的贡献
- 摘要称单划分方法渐近无偏，多划分方法控制第一类错误；模拟和两个真实数据示例报告预测与解释方面的改善。
- 阅读关注点
- 应核对两个方向各自的原假设、渐近无偏的具体含义、样本划分与多次汇总规则，以及整体错误控制的范围。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要解读；摘要未说明关键条件、真实数据类型及改善幅度，不能判断领域适用性或刊本变化。
原文摘要
This article proposes a general two-directional simultaneous inference (TOSI) framework for high-dimensional models with a manifest variable or latent variable structure, for example, high-dimensional mean models, high-dimensional sparse regression models, and high-dimensional latent factors models. TOSI performs simultaneous inference on a set of parameters from two directions, one to test whether the assumed zero parameters indeed are zeros and one to test whether exist zeros in the parameter set of nonzeros. As a result, we can better identify whether the parameters are zeros, thereby keeping the data structure fully and parsimoniously expressed. We theoretically prove that the single-split TOSI is asymptotically unbiased and the multi-split version of TOSI can control the Type I error below the prespecified significance level. Simulations are conducted to examine the performance of the proposed method in finite sample situations and two real datasets are analyzed. The results show that the TOSI method can provide more predictive and more interpretable estimators than existing methods.