Automatic bias correction for testing in high‐dimensional linear models

Hypothesis testing is challenging due to the test statistic's complicated asymptotic distribution when it is based on a regularized estimator in high dimensions. We propose a robust testing framework for ℓ1$$ {\ell}_1 $$‐regularized M‐estimators to cope with non‐Gaussian distributed regression...

Celý popis

Podrobná bibliografie

Vydáno v:	Statistica Neerlandica Ročník 77; číslo 1; s. 71 - 98
Hlavní autoři:	Zhou, Jing, Claeskens, Gerda
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Oxford Blackwell Publishing Ltd 01.02.2023
Témata:	Algorithms approximate message passing algorithm Bias confidence interval Confidence intervals high‐dimensional linear model hypothesis testing loss function Message passing Robustness (mathematics) Statistical analysis ℓ1$$ {\ell}_1 $$‐regularization
ISSN:	0039-0402, 1467-9574
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!