摘要
本文研究了高维回归模型中LASSO变量选择一致性的条件,并给出了这一条件的充要条件,可能允许模型维数第页成长任意地快速作为样本大小的函数n个这些条件要求惩罚参数增长率的上下限。事实证明(J.马赫。学习。物件。 7(2006)2541–2563),本文称为下不可表示条件(或LIRC),由下限考虑因素决定,而上限考虑因素导致新的条件,称为上不可表示条件(或UIRC)。结果表明,LIRC和UIRC对于LASSO的变量选择一致性是必要的和充分的,从而解决了一个猜想(J.马赫。学习。物件。 7(2006)2541–2563)。此外,还证明了在一些温和的正则性条件下,惩罚参数必须以一定的最小速率趋于无穷大,以确保LASSO的变量选择一致性,并且相应的非零回归参数的LASSO估计不能-一致(即使是单个参数)。因此,在相当一般的条件下,仅选择惩罚参数的LASSO不能同时实现变量选择一致性和-一致性。
引用
下载引文
Soumendra N.Lahiri公司。
“LASSO在高维变量选择一致性的充要条件。”
安。统计师。
49
(2)
820 - 844,
2021年4月。
https://doi.org/10.1214/20-AOS1979
问询处
收到日期:2016年6月1日;修订日期:2020年5月1日;发布日期:2021年4月
欧几里德项目首次推出:2021年4月2日
数字对象标识符:10.1214/20-AOS1979
学科:
主要用户:62E20型
次要:62J05型
关键词:渐近正态性,不可撤销条件,oracle属性,正规化
版权所有©2021数学统计研究所