Estimation and uniform inference in sparse high-dimensional additive models
稀疏高维加性模型的估计与一致推断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：摘要讨论通用高维非参数加性模型及置信带，没有明确因果、面板、宏观或金融对象，细分领域证据不足。
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…
稀疏高维加性模型的估计与一致推断
- 研究问题
- 在解释变量很多、模型具有稀疏加性结构时，如何为指定的非参数分量构造整体有效的置信带，而非只提供逐点区间？
- 方法与思路
- 作者将筛估计嵌入高维 Z 估计框架，利用乘子自助法构造目标分量的置信带，并分析高维一致 Lasso 估计的收敛速度。
- 材料陈述的贡献
- 摘要称，该方法提供目标非参数分量的一致有效置信带及相关 Lasso 收敛结果，模拟显示其估计与覆盖表现包括小样本情形较可靠。
- 阅读关注点
- 应核对目标分量的识别与归一化、稀疏度和筛维数条件，以及乘子自助法如何处理干扰分量估计误差与整体覆盖。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；光滑性、设计分布、稀疏度及覆盖误差细节未说明，不能由模拟描述推断任意小样本均可靠或刊本变化。
原文摘要
We develop a novel method to construct uniformly valid confidence bands for a nonparametric component f1 in the sparse additive model Y=f1(X1)+…+fp(Xp)+ɛ in a high-dimensional setting. Our method integrates sieve estimation into a high-dimensional Z-estimation framework, facilitating the construction of uniformly valid confidence bands for the target component f1. To form these confidence bands, we employ a multiplier bootstrap procedure. Additionally, we provide rates for the uniform lasso estimation in high dimensions, which may be of independent interest. Through simulation studies, we demonstrate that our proposed method delivers reliable results in terms of estimation and coverage, even in small samples.