基于调查数据的惩罚似然推断
Penalized Likelihood Inference with Survey Data
AI总结：
本文将三种Lasso推断方法扩展到调查数据环境，建立了带调查权重和异方差性的广义线性模型中的渐近有效性，并推广至非线性参数函数推断，通过模拟和加拿大互联网使用调查数据验证了方法的有效性。
摘要：
本文将三种Lasso推断方法——Debiased Lasso、$C(α)$和Selective Inference——扩展到调查数据环境中。我们建立了在具有调查权重和/或异方差性的广义线性模型中这些推断程序的渐近有效性。此外，我们将这些方法推广到非线性参数函数的推断，例如调查logit模型中的平均边际效应。我们通过模拟数据和2020年加拿大互联网使用调查数据说明了该方法的有效性。
英文摘要：
This paper extends three Lasso inferential methods, Debiased Lasso, $C(α)$ and Selective Inference to a survey environment. We establish the asymptotic validity of the inference procedures in generalized linear models with survey weights and/or heteroskedasticity. Moreover, we generalize the methods to inference on nonlinear parameter functions e.g. the average marginal effect in survey logit models. We illustrate the effectiveness of the approach in simulated data and Canadian Internet Use Survey 2020 data.
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。
