Robust and consistent variable selection in high-dimensional generalized linear models
高维广义线性模型中的稳健一致变量选择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：摘要提供通用高维广义线性模型与变量选择理论，没有足以支持所列经济金融细分方向的应用信息。
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
高维广义线性模型中的稳健一致变量选择
- 研究问题
- 在高维广义线性模型中，离群数据与模型假设偏离如何影响惩罚变量选择，能否构造兼具选择性质与局部稳定性的估计量？
- 方法与思路
- 作者分析常用惩罚 M 估计量的抗异常能力，提出稳健惩罚拟似然估计量，并研究高维理论及模拟和真实数据表现。
- 材料陈述的贡献
- 摘要称，所提估计量具有高维 oracle 性质，并在模型邻域内保持稳定，同时以模拟和真实数据说明有限样本表现。
- 阅读关注点
- 应核对稳健损失与惩罚的构造、高维增长和调参条件，以及 oracle 性质、模型邻域稳定性与污染实验的具体定义。
- 阅读边界
- 仅据版本未注明的索引摘要，理论条件、异常值机制及比较结果未说明；oracle 性质与邻域稳定性不保证对任意模型偏离稳健。
原文摘要
Generalized linear models are popular for modelling a large variety of data. We consider variable selection through penalized methods by focusing on resistance issues in the presence of outlying data and other deviations from assumptions. We highlight the weaknesses of widely-used penalized M-estimators, propose a robust penalized quasilikelihood estimator, and show that it enjoys oracle properties in high dimensions and is stable in a neighbourhood of the model. We illustrate its finite-sample performance on simulated and real data.