高维部分线性模型的两两差分估计
Pairwise Difference Estimation of High Dimensional Partially Linear Model
摘要：
本文提出了一种正则化的两两差分方法来估计部分线性模型中的线性分量系数，在高维情况下，在温和的尺度要求下，获得了一致性和精确的收敛速度.我们的分析揭示了有趣的功能，如（i）带宽参数自动适应模型，实际上是调谐不敏感的;和（ii）该程序甚至可以保持快速收敛速率的$α$ -Hölder类的$α\leq1/2$。仿真研究表明，所提出的方法的优点，和我们的方法的应用程序的脑成像数据揭示了一些生物模式，无法使用竞争的方法恢复。
英文摘要：
This paper proposes a regularized pairwise difference approach for estimating the linear component coefficient in a partially linear model, with consistency and exact rates of convergence obtained in high dimensions under mild scaling requirements. Our analysis reveals interesting features such as (i) the bandwidth parameter automatically adapts to the model and is actually tuning-insensitive; and (ii) the procedure could even maintain fast rate of convergence for $α$-Hölder class of $α\leq1/2$. Simulation studies show the advantage of the proposed method, and application of our approach to a brain imaging data reveals some biological patterns which fail to be recovered using competing methods.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
