高维广义线性模型中样本分割后的去偏Lasso估计与推断
统计方法学
2023-03-01 v1
摘要
我们考虑在高维广义线性模型中使用随机样本分割进行估计和推断，其中我们首先在一个子样本上应用Lasso选择一个子模型，然后在剩余子样本上应用去偏Lasso拟合所选模型。我们证明，无论是否包含预先指定的回归系数子集，单次分割后对所选子模型的去偏Lasso估计渐近服从正态分布。此外，对于一组预先指定的回归系数，我们证明基于去偏Lasso的多次分割程序能够解决与样本分割相关的效率损失，并在温和条件下产生渐近正态估计。我们的模拟结果表明，在估计阶段使用去偏Lasso代替标准极大似然估计可以大幅降低所得估计的偏差和方差。我们通过对中南烟草病例对照研究的吸烟数据进行分析，展示了所提出的多次分割去偏Lasso方法。
引用
@article{arxiv.2302.14218,
title = {Debiased Lasso After Sample Splitting for Estimation and Inference in High Dimensional Generalized Linear Models},
author = {Omar Vazquez and Bin Nan},
journal= {arXiv preprint arXiv:2302.14218},
year = {2023}
}
备注
28 pages, 0 figures