Selecting Penalty Parameters of High-Dimensional M-Estimators using Bootstrapping after Cross-Validation
交叉验证后自助法选择高维 M 估计的惩罚参数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：核心是通用高维 M 估计调参，警察用武力应用不足以确认所列因果或结构计量分类。
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…
交叉验证后自助法选择高维 M 估计的惩罚参数
- 研究问题
- 高维 ℓ1 惩罚 M 估计中，如何利用交叉验证后的 bootstrap 选择惩罚参数，并兼顾估计误差、无惩罚重估与统计推断？
- 方法与思路
- 作者提出交叉验证后 bootstrap 调参方法，推导惩罚估计量及对非零变量无惩罚重估的收敛率，并开展模拟和警察用武力应用。
- 材料陈述的贡献
- 摘要称，模拟中该方法的估计误差表现未被交叉验证支配，推断表现可优于交叉验证；应用复核了既有研究的结论。
- 阅读关注点
- 应核对交叉验证与 bootstrap 的衔接步骤、惩罚参数目标、高维正则条件，以及推断评价指标和应用结论的复核范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出误差率及模拟细节，有限场景中的表现不能推出普遍优于交叉验证。
原文摘要
We develop a new method for selecting the penalty parameter for $\ell_{1}$-penalized M-estimators in high dimensions, which we refer to as bootstrapping after cross-validation. We derive rates of convergence for the corresponding $\ell_1$-penalized M-estimator and also for the post-$\ell_1$-penalized M-estimator, which refits the non-zero entries of the former estimator without penalty in the criterion function. We demonstrate via simulations that our methods are not dominated by cross-validation in terms of estimation errors and can outperform cross-validation in terms of inference. As an empirical illustration, we revisit Fryer Jr (2019), who investigated racial differences in police use of force, and confirm his findings.