On the validity of the pairs bootstrap for lasso estimators
Lasso 估计量的成对 Bootstrap 有效性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：摘要讨论一般回归中惩罚估计量的重抽样理论，未指向所列经济或金融应用细分。
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…
关注这篇论文的作者
Lasso 估计量的成对 Bootstrap 有效性
- 研究问题
- 在线性回归具有随机协变量和异方差误差时，常规成对 Bootstrap 能否有效近似 Lasso 估计量的分布，如何修正？
- 方法与思路
- 作者分析常规成对 Bootstrap 的失效，提出修改后的成对重抽样程序并证明其一致性，同时考察对自适应 Lasso 的适用性。
- 材料陈述的贡献
- 摘要称，常规成对 Bootstrap 不能有效近似 Lasso 分布；修改程序具有一致性，也能一致估计自适应 Lasso 的分布。
- 阅读关注点
- 应核对失效的具体机制、修改程序的实施步骤，以及惩罚参数、系数取值、协变量维度和误差分布所需的理论条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明渐近框架和正则条件，不能将一致性结论推广到任意高维或惩罚设定。
原文摘要
We study the validity of the pairs bootstrap for lasso estimators in linear regression models with random covariates and heteroscedastic error terms. We show that the naive pairs bootstrap does not provide a valid method for approximating the distribution of the lasso estimator. To overcome this deficiency, we introduce a modified pairs bootstrap procedure and prove its consistency. Finally, we consider the adaptive lasso and show that the modified pairs bootstrap consistently estimates the distribution of the adaptive lasso estimator.