摘要: 非参数变系数模型 有助于研究变量的时间相关效应。 已经开发了许多用于估计和变量的程序 这些模型中的选择。 然而,现有工作集中在 变量数固定或小于 样本大小。 在本文中,我们考虑变量的问题 稀疏变系数模型的选择和估计, 变量数量可能较大时的高维设置 比样本量大。 我们应用拉索群和基函数 展开以同时选择重要变量和 估计非零变系数函数。 低于 适当的条件,我们表明 拉索小组选择了维度顺序正确的模型, 选择相应系数函数范数大于某一阈值水平的所有变量,并进行估计 一致。 然而,拉索组通常选择不一致 并且倾向于选择在模型中不重要的变量。 为了改进 选择结果,我们应用自适应 拉索集团。 我们证明,在适当的条件下,自适应群Lasso具有预言选择性质 在这个意义上,它正确地选择了重要的变量 概率收敛到一。 相比之下,Lasso组不具有此类oracle属性。 这两种方法都使用仿真进行了评估,并在数据示例中进行了演示。
关键词和短语: 基础扩展, 拉索组,高维数据,非参数系数 功能、选择一致性、稀疏性。