具有误差-协变量内生性的超高维线性混合模型中的一致固定效应选择
统计方法学
2020-05-01 v2
摘要
近来，包括生物医学中的纵向与聚类研究在内的应用科学需要分析超高维线性混合效应模型，其中我们需要从大量可用候选者中选择重要的固定效应变量。然而，所有现有文献均假设所有可用协变量与随机效应分量独立于模型误差，这在实际应用中常被违背（内生性）。本文中，我们首先在超高维线性混合效应模型中研究这一重要问题，特别关注固定效应选择。我们研究不同类型内生性对现有正则化方法的影响并证明它们的不一致性。然后，我们提出一种新的剖面聚焦广义矩估计（PFGMM）方法，以在“误差-协变量”内生性下（即模型误差与协变量相关时）一致地选择固定效应。我们的提议被证明具有趋于一概率的 oracle 一致性，并且在绝大多数其他类型内生性下也表现良好。此外，我们还提出并阐释了若干一致参数估计量，包括方差分量的估计量，以及通过 PFGMM 进行的变量选择。经验模拟与一个有趣的真实数据例子进一步支持了我们所提方法的效用。
引用
@article{arxiv.1905.02971,
title = {Consistent Fixed-Effects Selection in Ultra-high dimensional Linear Mixed Models with Error-Covariate Endogeneity},
author = {Abhik Ghosh and Magne Thoresen},
journal= {arXiv preprint arXiv:1905.02971},
year = {2020}
}
备注
To appear in Statistica Sinica (2020)