我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
我们考虑高维稀疏回归问题,其中我们观察到$\mathbf{y}=\mathbf{X}\boldsymbol{beta}+\mathbf1{z}$,其中$\mathbf{X}$是$n次p$设计矩阵,$\mathpf{z}$$是独立高斯误差的$n$维向量,每个向量都有方差$\sigma^{2}$。我们的重点是最近引入的SLOPE估计器[附录申请。斯达。 9(2015)1103–1140],它用与秩相关的惩罚$\sum_{1\lei\lep}\lambda_{i}|\widehat{\beta}|{(i)}$正则化了最小二乘估计,其中$|widehat{\beta}|{(i){$是拟合系数的第i个最大值。在高斯设计下,其中$\mathbf{X}$的项是i.i.d.$\mathcal{N}(0,1/N)$,我们证明了权重为$\lambda_{i}$的SLOPE大约等于$\sigma\cdot\Phi^{-1}(1-iq/(2p))$[$\Phii^{-1-}(\alpha)$是标准正态的$\alpha$th分位数,而$q$是$(0,1)$]中的固定数实现了一个平方误差的估计服从\[sup_{|boldsymbol{\beta}\|{0}\le-k}\mathbb{P}(\|widehat{\boldsymbol{\beta}}_{\mathrm{SLOPE}}-\boldsymbol{\ beta}\|^{2}>(1+\varepsilon)2\sigma^{2} k个\log(p/k))\longrightarrow 0\],因为维度$p$增加到$\infty$,其中$\varepsilon>0$是一个任意小常数。这在$\ell_{0}$-稀疏级别的弱假设下成立,即$k/p\rightarrow0$和$(k\log p)/n\right箭头0$,并且在这个意义上很明显,这是最好的可能错误任何估计器可以实现。一个显著的特点是,SLOPE不需要任何稀疏程度的知识,但可以自动进行调整,以在广泛的$\ell_{0}$-稀疏类上产生最佳的总平方误差。我们不知道有任何其他具有这种性质的估计量。
苏伟杰。 伊曼纽尔·坎迪斯。 “SLOPE对未知稀疏性和渐近极大极小性具有自适应性。” 安。统计师。 44 (3) 1038 - 1068, 2016年6月。 https://doi.org/10.1214/15-AOS1397