On the robustness of the adaptive lasso to model misspecification
自适应 lasso 对模型误设的稳健性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：摘要聚焦模型误设下的通用惩罚估计，未提供所列具体计量领域的充分分类依据。
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
自适应 lasso 对模型误设的稳健性
- 研究问题
- 当回归函数形式设定错误时，自适应 lasso 能否仍实现稀疏估计及有效推断，其选择目标与真实模型有何关系？
- 方法与思路
- 作者研究未删失结局的广义线性模型和删失响应的比例风险模型，以误设下无惩罚估计的极限参数界定选择目标。
- 材料陈述的贡献
- 摘要称误设下可获得选择一致、渐近正态及 oracle 性质，并推导误设模型的惩罚估计仍能正确选择真实模型的条件。
- 阅读关注点
- 核对极限参数与真实模型变量的区别、初始估计和惩罚调节条件，明确哪些结论针对误设目标，哪些涉及真实变量选择。
- 阅读边界
- 仅据版本未注明的索引摘要，不能推断刊本变化；具体条件未列出，误设目标的 oracle 性质不意味着必然恢复真实模型。
原文摘要
Penalization methods have been shown to yield both consistent variable selection and oracle parameter estimation under correct model specification. In this article, we study such methods under model misspecification, where the assumed form of the regression function is incorrect, including generalized linear models for uncensored outcomes and the proportional hazards model for censored responses. Estimation with the adaptive least absolute shrinkage and selection operator, lasso, penalty is proven to achieve sparse estimation of regression coefficients under misspecification. The resulting estimators are selection consistent, asymptotically normal and oracle, where the selection is based on the limiting values of the parameter estimators obtained using the misspecified model without penalization. We further derive conditions under which the penalized estimators from the misspecified model may yield selection consistency under the true model. The robustness is explored numerically via simulation and an application to the Wisconsin Epidemiological Study of Diabetic Retinopathy.