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。