Wild Bootstrap and Efron's Bootstrap for Debiased Cox Regression¶

作者: Lena Schemet, Sarah Friedrich-Welz
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2608.24230

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的子方向是：在高维Cox比例风险模型中，对经过Lasso变量选择后的回归系数进行统计推断。根本的统计问题是：当协变量维数p与样本量n可比甚至更大时，如何对单个回归系数构造具有正确覆盖率的置信区间。核心困难在于，Lasso估计的收缩偏差和选择后的非正则渐近分布使得经典的Wald型推断失效。当前成熟度：debiased/desparsified Lasso框架已为线性模型和广义线性模型提供了渐近有效的推断，但将其扩展到Cox模型后，有限样本下的覆盖精度仍不理想，尤其是存在删失和强协变量相关时。

发展脉络¶

奠基工作：Lasso与Cox模型
- Tibshirani (1996, 1997)：提出Lasso和Cox Lasso，将ℓ1惩罚引入Cox比例风险模型，实现了变量选择和系数估计的同步。这是后续所有工作的起点。
- Fan & Li (2002)：系统研究了Cox模型中的变量选择问题，为惩罚似然方法在生存分析中的应用奠定了理论基础。
主要进展：高维Cox模型的理论与推断
- Huang, Sun & Zhang (2013)：建立了Cox Lasso估计量的理论性质（如估计误差界），为后续推断工作提供了稀疏性保证。
- van de Geer, Bühlmann, Ritov & Dezeure (2014)：提出了高维广义线性模型中debiased Lasso的一般框架，证明了其渐近正态性和半参数有效性。这是本文引用的“general blueprint”（[15]）。
- Zhang & Zhang (2014)：针对线性模型提出了类似的debiased估计量，并建立了置信区间。
- Yu, Bradic & Samworth (2021)：将debiased Lasso框架扩展到Cox模型，处理了时间依赖协变量和删失风险集带来的挑战，建立了渐近有效的置信区间。本文引用为“Cox-specific statements”（[11]）。
- Kong, Yu, Zhang & Cheng (2021)：进一步考虑了模型误设下的Cox回归，提出了基于desparsified Lasso的稳健推断方法。本文引用为“Cox-specific developments”（[17]）。
- Xia, Nan & Li (2023)：针对协变量维数发散（而非超高维）的Cox模型，提出了一种不依赖稀疏逆信息矩阵假设的修正debiased Lasso方法。本文引用为“Cox desparsification results can be invoked as black boxes”（[10]）。
当前Frontier：后选择推断与bootstrap校准
- Leeb & Pötscher (2005, 2006)：从理论上证明了，对于后模型选择估计量的无条件分布，无法进行一致估计。这构成了“后选择推断不可能性”的经典结论，是本文试图绕过的障碍。
- Berk, Brown, Buja, Zhang & Zhao (2013)：提出了“同时推断”框架，通过对所有可能子模型进行保护来获得有效的后选择推断，但该方法通常保守。
- Lee, Sun, Sun & Taylor (2016)：提出了Lasso的精确后选择推断方法，通过条件在选模型上来获得有效推断。本文明确将其定位为“rather than proposing an exact selective inference procedure”，即本文的目标不是这个。
- Pauly (2011)：建立了鞅差阵列的加权重抽样理论，为本文Efron bootstrap的渐近论证提供了核心工具（Theorem 4.1）。
- Chernozhukov, Chetverikov & Kato (2013)：建立了高维随机向量最大值的高斯近似和乘子bootstrap理论，为本文wild bootstrap的渐近论证提供了背景。
本文的位置：本文位于“debiased Lasso推断”和“bootstrap校准”的交汇处。它承认debiased Lasso提供了渐近有效的Wald区间，但指出其有限样本覆盖可能不准确。本文的贡献在于，将bootstrap（wild和Efron）应用于debiased Cox估计量，而不是原始的Lasso估计量，从而绕过了经典bootstrap在非光滑估计量上的失败，并试图通过bootstrap校准来改善有限样本性能。

子线索聚类¶

Debiased/Desparsified Lasso推断：这是本文的直接技术基础。核心思想是通过对Lasso估计量进行一步修正（加上一个得分项），得到一个渐近无偏且正态的估计量。代表工作：van de Geer et al. (2014), Zhang & Zhang (2014), Yu et al. (2021), Kong et al. (2021), Xia et al. (2023)。这一簇的工作为高维推断提供了“一阶”解决方案，但有限样本表现依赖于渐近近似的质量。
后选择推断（Post-Selection Inference）：这是一个更广泛的领域，旨在解决选择后推断的分布扭曲问题。代表工作：Leeb & Pötscher (2005, 2006)（不可能性结果），Berk et al. (2013)（同时推断），Lee et al. (2016)（精确条件推断）。本文明确将自己与“精确后选择推断”路线区分开，选择了一条更实用的“bootstrap校准”路线。
生存分析中的Bootstrap方法：这一簇工作为本文的bootstrap方案提供了方法论基础。代表工作：Lin, Wei & Ying (1993)（基于鞅残差的乘子重抽样），Spiekerman & Lin (1998)（删失数据的重抽样方法），Pauly (2011)（加权重抽样的鞅理论），Dobler & Pauly (2014)（竞争风险中的bootstrap），Bluhmki et al. (2019)（多状态Nelson-Aalen估计量的wild bootstrap），Dietrich, Dobler & de Gunst (2025)（计数过程统计量的wild bootstrap统一框架）。本文的wild bootstrap直接利用了Cox得分的鞅表示，而Efron bootstrap则基于Pauly (2011)的交换加权理论。

核心问题与已知瓶颈¶

核心问题：
- 如何在高维Cox模型中对选中的回归系数进行有效推断？
- Debiased Lasso的Wald区间在有限样本下是否足够准确？
- Bootstrap能否改善debiased Lasso推断的有限样本表现？如果可以，哪种bootstrap方案（wild vs. Efron）更优？
- Bootstrap推断的理论保证是什么？
已知瓶颈：
- Lasso的收缩偏差：直接对Lasso估计量使用Wald区间会因偏差导致严重覆盖不足。
- 选择后的分布扭曲：变量选择过程改变了估计量的采样分布，使得经典推断失效（Leeb & Pötscher）。
- Cox模型的复杂性：删失、半参数结构、鞅表示使得理论分析比线性模型更复杂。
- 有限样本精度：即使debiased Lasso是渐近正态的，其Wald区间在中等样本量下仍可能因高阶项或方差估计不准确而表现不佳。

⚠️ 作者的Framing¶

作者如何frame缺口：作者将缺口定位为“debiased Cox Wald区间在有限样本下可能不准确，而bootstrap是改善其表现的潜在工具”。他们强调，经典bootstrap在Lasso上失败，但debiased估计量是光滑的，因此bootstrap可以适用。这使得他们的工作成为“显然的下一步”：既然debiased Lasso提供了渐近正态性，那么用bootstrap来校准其有限样本分布是自然的延伸。
被淡化或回避的竞争路线：
- 精确后选择推断（Lee et al., 2016; Taylor & Tibshirani, 2017）：作者明确说“Rather than proposing an exact selective inference procedure”，表明他们选择了一条更实用但理论保证更弱的路线。他们回避了精确条件推断的复杂性和计算成本。
- 同时推断（Berk et al., 2013）：作者没有讨论这种保守但理论上更稳健的方法。
什么明显该被引/该存在、却没出现在intro里？：
- 更近期的debiased Lasso在Cox模型上的工作：除了Yu et al. (2021)和Kong et al. (2021)，是否有2022-2025年的新进展？例如，是否有工作专门研究了Cox模型中debiased Lasso的方差估计问题？
- 关于bootstrap在debiased估计量上应用的理论工作：是否有文献（即使在线性模型或GLM中）已经证明了bootstrap对debiased Lasso的有效性？如果有，本文的理论贡献（Theorem 2-4）的原创性需要被仔细审视。作者引用了van der Vaart & Wellner (1996)和Kosorok (2008)作为乘子bootstrap的一般理论，但没有引用任何将bootstrap应用于debiased Lasso的特定论文。这可能是一个值得研究者去查的gap。
- 关于Cox模型bootstrap的负面结果：Hjort (1985)被引用，但作者没有深入讨论Cox模型bootstrap可能失败的具体条件或原因。

张力¶

未见明显对立引用。被引工作之间没有直接矛盾，而是沿着不同的技术路线（debiased vs. exact selective inference）发展。本文的立场是调和性的：它接受debiased Lasso的渐近框架，并试图用bootstrap来改善其有限样本表现。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据交代清楚¶

符号：
- T_i: 个体i的真实事件时间（潜在变量）。
- C_i: 个体i的删失时间（潜在变量）。
- \tilde{T}_i = min(T_i, C_i): 观测到的随访时间。
- \delta_i = 1\{T_i \le C_i\}: 事件指示符（1=观察到事件，0=删失）。
- X_i \in \mathbb{R}^p: p维协变量向量。
- O_i = (\tilde{T}_i, \delta_i, X_i): 可观测数据，i.i.d.。
- N_i(t) = 1\{\tilde{T}_i \le t, \delta_i = 1\}: 计数过程，记录个体i在时间t前是否发生事件。
- Y_i(t) = 1\{\tilde{T}_i \ge t\}: 风险指示，个体i在时间t是否仍在风险集中。
- \beta \in \mathbb{R}^p: 回归系数向量（参数）。
- \beta_0: 真实的回归系数向量。
- \lambda_0(t): 未知的基线风险函数。
- \ell(\beta): Cox部分对数似然函数。
- U(\beta) = \nabla \ell(\beta): 得分函数。
- \psi_i(\beta): 个体i的得分贡献。
- \hat{\beta}: Cox Lasso估计量。
- \tilde{\beta}: Debiased Cox估计量。
- \Theta_0 = \Sigma_0^{-1}: 逆信息矩阵（渐近方差的核心）。
- \hat{\Theta}: 通过nodewise Lasso估计的逆信息矩阵。
- \xi_i^{(b)}: Wild bootstrap的乘子变量（独立，均值为0，方差为1）。
- W_i^{(b)}: Efron bootstrap的多项式权重（和为n）。
- \omega_i^{(b)} = W_i^{(b)} - 1: 中心化的Efron bootstrap权重。
模型：
- Cox比例风险模型：\lambda(t|X_i) = \lambda_0(t) \exp(X_i^\top \beta)。这是一个半参数模型，基线风险\lambda_0(t)是无穷维 nuisance 参数，\beta是有限维目标参数。
- 非信息删失：给定X_i，C_i与T_i独立，且不依赖于\beta。
- 数据生成机制：事件时间T_i由Cox模型生成，删失时间C_i由某个独立分布生成。
可观测数据：
- 研究者实际能观测到的是O_i = (\tilde{T}_i, \delta_i, X_i)。
- 想要但观测不到的量：
  - 真实事件时间T_i（如果\delta_i=0，则被删失）。
  - 基线风险函数\lambda_0(t)。
  - 真实的回归系数\beta_0。
  - 逆信息矩阵\Theta_0。

第二步：讲最小内核¶

本文的核心思路可以浓缩为以下最小内核：

核心命题：对于一个“光滑”的估计量（如debiased Lasso），其采样分布可以通过对它的一阶渐近线性表示进行bootstrap来近似，而不是对原始的“非光滑”估计量（如Lasso）进行bootstrap。

最简特例：考虑一个单参数（p=1） 的Cox模型，没有变量选择问题。此时，Cox Lasso退化为标准的Cox部分似然估计\hat{\beta}。Debiased估计量\tilde{\beta}退化为\hat{\beta}本身（因为\hat{\Theta} = 1/\hat{\Sigma}，且\dot{\ell}_n(\hat{\beta}) \approx 0）。但为了展示核心思想，我们考虑一个更一般的“光滑”M-估计量\hat{\theta}，它满足渐近线性表示： \sqrt{n}(\hat{\theta} - \theta_0) = \frac{1}{\sqrt{n}} \sum_{i=1}^n \phi_i + o_p(1) 其中\phi_i是影响函数（i.i.d.，均值为0，方差为\sigma^2）。

Wild Bootstrap：生成bootstrap复制\hat{\theta}^*： \sqrt{n}(\hat{\theta}^* - \hat{\theta}) = \frac{1}{\sqrt{n}} \sum_{i=1}^n \xi_i \hat{\phi}_i 其中\xi_i是独立乘子（如N(0,1)），\hat{\phi}_i是\phi_i的估计（如基于\hat{\theta}的残差）。条件于数据，\frac{1}{\sqrt{n}} \sum_{i=1}^n \xi_i \hat{\phi}_i的分布近似于N(0, \hat{\sigma}^2)，其中\hat{\sigma}^2 = \frac{1}{n} \sum \hat{\phi}_i^2。因此，bootstrap分布近似于\hat{\theta}的采样分布N(\theta_0, \sigma^2/n)。

本文的推广：本文将这个思想应用于debiased Cox Lasso估计量\tilde{\beta}。关键点在于： 1. \tilde{\beta}是“光滑”的，因为它有一个渐近线性表示（Theorem 1）： \sqrt{n}(\tilde{\beta}_j - \beta_{0j}) = \frac{1}{\sqrt{n}} \sum_{i=1}^n \phi_{ij} + o_p(1) 其中\phi_{ij} = e_j^\top \Theta_0 \psi_i(\beta_0)。 2. 因此，bootstrap可以直接作用于这个线性表示的主导项\frac{1}{\sqrt{n}} \sum_{i=1}^n \phi_{ij}，而不是作用于非光滑的\hat{\beta}。 3. 具体操作是：固定\hat{\beta}和\hat{\Theta}，然后对得分贡献\psi_i(\hat{\beta})施加bootstrap权重（\xi_i或\omega_i），生成bootstrap复制\tilde{\beta}^*。这等价于对\phi_{ij}的估计进行bootstrap。

一句话总结：本文的核心数学操作是将bootstrap从“重抽样数据”或“重抽样估计量”简化为“重抽样得分贡献”，因为debiased估计量的分布完全由这些得分贡献的一阶行为决定。

三、这篇论文做了什么¶

三句话¶

研究问题：在高维Cox比例风险模型中，经过Cox Lasso变量选择后，如何对debiased估计量进行bootstrap推断，以改善有限样本下Wald区间的覆盖精度。
核心工具/方法：提出了两种基于得分的bootstrap方案——wild bootstrap（独立乘子）和Efron bootstrap（中心化多项重抽样权重），两者均固定原始Cox Lasso拟合和debiasing矩阵，仅对得分贡献施加bootstrap权重。
主要结论：从理论上证明了两种bootstrap方案的渐近有效性（分布一致性、方差一致性、标准化统计量有效性）。模拟研究表明，在小样本和中样本设置下，bootstrap区间（尤其是basic区间）比一阶debiased Wald区间具有更好的覆盖精度，但Efron bootstrap更保守且计算成本更高。

关键设定与假设¶

完整设定：在第二节最小记号的基础上，本文考虑了高维设定，其中p可以与n相当甚至更大，但假设真实模型是稀疏的（s_0 = \|\beta_0\|_0较小）。
关键假设（来自Supplementary Material S1.2）：
- (A1) 独立删失：C_i \perp T_i | X_i。这是Cox模型的标准假设。
- (A2) 有界协变量与有限时间：\|X_i\|_\infty \le K a.s.，且\tau < \infty。技术性假设，简化了经验过程论证。
- (A3) 非退化风险集：基线风险有界，且风险集在时间区间内非退化。确保信息矩阵非奇异。
- (A4) 信息矩阵可逆且有界：\Sigma_0的特征值在[c_{min}, c_{max}]之间。标准假设。
- (A5) 稀疏性：s_0 \log p / \sqrt{n} \to 0。这是高维稀疏推断的典型条件，比线性模型中的(s_0 \log p)/n \to 0更强，反映了Cox模型（部分似然）的复杂性。
- (A6) Nodewise Lasso一致性：\|\hat{\Theta} - \Theta_0\|_\infty = o_p(1)。确保debiasing矩阵的估计是相合的。
- (A7) 影响函数四阶矩有限：E(\phi_{1j}^4) < \infty。用于bootstrap的Lindeberg条件。
- (A8) Wild Bootstrap乘子：\xi_i i.i.d.，均值为0，方差为1，四阶矩有限。
- (A9) Efron Bootstrap权重：(W_1, ..., W_n) \sim Mult(n; 1/n, ..., 1/n)，独立于数据。
相比已有文献的强化/放宽：
- 相比Yu et al. (2021)和Kong et al. (2021)，本文的假设（A5）s_0 \log p / \sqrt{n} \to 0是标准的，没有明显强化或放宽。主要区别在于本文额外需要bootstrap权重的矩条件（A8, A9）。
- 相比线性模型中的debiased Lasso，Cox模型需要处理计数过程和鞅，因此假设（A3）和（A4）是Cox特有的。

主要结果¶

Theorem 1 (Asymptotic Linearity)：建立了debiased Cox估计量的渐近线性表示。这是所有后续理论的基础。它表明\sqrt{n}(\tilde{\beta}_j - \beta_{0j})渐近等价于一个i.i.d.影响函数之和，因此是渐近正态的。
Theorem 2 (Wild Bootstrap Consistency)：证明了wild bootstrap的条件分布一致地逼近\sqrt{n}(\tilde{\beta}_j - \beta_{0j})的采样分布。这是核心理论贡献，表明wild bootstrap是有效的。
Theorem 3 (Wild Bootstrap Variance Consistency)：证明了wild bootstrap的方差估计\hat{\sigma}^2_{j,WB}是\sigma^2_j / n的一致估计。
Theorem 4 (Validity of Standardized Wild Bootstrap Statistic)：结合Theorem 2和3，证明了标准化后的bootstrap统计量T^{WB}_j的条件分布一致逼近T_j的分布。这直接保证了basic bootstrap区间的渐近覆盖正确性。
Efron Bootstrap的对应结果：在Supplementary Material S2中，作者使用Pauly (2011)的加权重抽样定理，证明了Efron bootstrap的分布一致性（Theorem S5）、方差一致性（Theorem S6）和标准化统计量有效性（Theorem S7）。

证明路线与技术技巧¶

整体路线：
1. 线性化：利用debiased Lasso的标准论证，将\sqrt{n}(\tilde{\beta}_j - \beta_{0j})和\sqrt{n}(\tilde{\beta}^*_j - \tilde{\beta}_j)都表示为“主导项（影响函数之和）+ 可忽略余项”。
2. 条件Slutsky：使用Lemma S1（条件Slutsky引理），证明如果bootstrap的主导项条件分布收敛到正确极限，且余项条件概率收敛到0，那么bootstrap统计量的条件分布也收敛到正确极限。
3. 主导项的条件CLT：
  - Wild Bootstrap：对主导项\frac{1}{\sqrt{n}} \sum \xi_i \phi_{ij}应用条件乘子中心极限定理。条件于数据，\phi_{ij}是固定的，\xi_i是独立随机变量。在Lindeberg条件下，该和的条件分布收敛到N(0, \sigma^2_j)。
  - Efron Bootstrap：对主导项\frac{1}{\sqrt{n}} \sum \omega_i \phi_{ij}应用Pauly (2011)的Theorem 4.1。该定理处理了交换权重（如中心化多项权重）下鞅差阵列的加权和的条件分布收敛问题。
4. 方差一致性：证明bootstrap方差\hat{\sigma}^2_{j,*}是\sigma^2_j/n的一致估计。对于wild bootstrap，这是\frac{1}{n} \sum \phi_{ij}^2的相合性；对于Efron bootstrap，需要额外处理权重间的协方差。
5. 标准化统计量：结合分布一致性和方差一致性，通过条件Slutsky论证，证明标准化bootstrap统计量的有效性。
关键跳跃点：
- 将Cox Lasso的余项控制与bootstrap的余项控制分离：证明路线巧妙地将Cox模型特有的复杂性（如鞅表示、风险集和）封装在Theorem S1（渐近线性性）的证明中。一旦这个定理成立，bootstrap论证就变成了一个更“通用”的关于影响函数之和的条件CLT问题。这使得证明结构清晰，但依赖于Cox Lasso的现有理论结果。
- Efron Bootstrap的论证：对于Efron bootstrap，关键跳跃在于将\frac{1}{\sqrt{n}} \sum \omega_i \phi_{ij}识别为Pauly (2011)定理中的统计量。作者需要验证\phi_{ij}/\sqrt{n}满足该定理的条件（最大绝对值趋于0，平方和收敛）。这依赖于\phi_{ij}的四阶矩有限假设（A7）。
技术技巧点名：
- Martingale representation：Cox得分的鞅表示（U(\beta_0) = \sum \int \phi_i(t, \beta_0) dM_i(t)）是wild bootstrap的动机来源，但在证明中并未直接使用，而是通过渐近线性表示来间接利用。
- Conditional Slutsky lemma (Lemma S1)：一个简洁而强大的工具，用于将bootstrap余项的可忽略性转化为分布收敛的结论。
- Pauly's Theorem 4.1 (2011)：处理交换权重下鞅差阵列的条件CLT，是Efron bootstrap理论的核心。
- Nodewise Lasso：用于估计高维逆信息矩阵\Theta_0，是debiased Lasso框架的标准技术。

真实例子与应用¶

数据：SUPPORT2数据集（Study to Understand Prognoses and Preferences for Outcomes and Risks of Treatments），一个大型多中心队列研究，包含n=9,105名重病住院患者，p=44个基线协变量。
如何应用：
1. 使用Cox Lasso从44个协变量中选出20个。
2. 对这20个选中的变量，计算debiased Cox估计量（得到共同的风险比估计）。
3. 分别计算debiased Wald区间、wild bootstrap basic区间和Efron bootstrap basic区间。
结果：图4展示了20个选中变量的风险比估计和三种90%置信区间。对于强信号（如avtisst, age, scoma），三种区间非常相似。对于中等强度的信号，bootstrap区间（尤其是Efron）比Wald区间更宽或更不对称，反映了bootstrap对有限样本分布（如偏态）的校准。
这个例子想说明什么：作者想说明，即使在样本量很大（n=9,105）的真实数据中，bootstrap校准仍然可能对中等效应的推断产生影响，而不仅仅是小样本问题。同时，它也展示了方法的实际可用性。

🔎 结论是否比证明窄¶

是。论文的结论（Theorem 2-4）是在假设（A1）-（A9）下严格证明的，但这些假设本身是相当强的。
- 窄点1：调参规则。Remark 1明确指出，理论适用于满足稀疏性和余项条件的Cox Lasso估计量，但不自动覆盖任何特定的数据驱动调参规则（如\lambda_{min}, \lambda_{1se}, AIC, BIC）。模拟中比较了这些规则，但理论保证只适用于“如果”这些规则产生的估计量满足条件。这是一个重要的gap。
- 窄点2：Componentwise推断。理论只处理了单个系数\beta_j的推断。作者在Discussion中承认，扩展到同时置信带需要函数弱收敛论证，这是未来工作。
- 窄点3：惩罚类型。Remark S1明确指出，证明不自动扩展到elastic net, group Lasso, SCAD, MCP等其他惩罚。这些惩罚改变了KKT条件或偏差结构。
- 窄点4：Bootstrap区间类型。理论只严格证明了basic bootstrap区间的渐近有效性。作者在模拟中主要报告了basic区间，但也在Section 3.3中定义了percentile和normal区间，并说它们“are not part of the primary numerical comparison”。这意味着这些区间的理论性质可能未被证明或表现不佳。

四、开放问题¶

数据驱动调参的理论：本文的理论（Remark 1）不覆盖任何特定的数据驱动调参规则（如\lambda_{min}, AIC）。扎根于：Remark 1: “the present theory covers these choices only insofar as the resulting random tuning parameter satisfies the regularity conditions...”。一个开放问题是：能否为Cox Lasso的特定调参规则（如交叉验证的\lambda_{min}）建立理论，证明其产生的估计量满足debiasing所需的稀疏性和余项条件？这需要更精细的调参过程分析。
Bootstrap-t区间：本文只严格证明了basic bootstrap区间。扎根于：Discussion: “Another is to investigate the classical bootstrap-t construction with replicate-specific standard-error estimates...”。一个开放问题是：对于debiased Cox估计量，bootstrap-t区间（在每个bootstrap复制内重新估计标准误）是否能提供比basic区间更好的有限样本表现？这需要处理在每个bootstrap复制内重新估计\hat{\Theta}的计算和理论挑战。
同时置信带：本文只处理了componentwise推断。扎根于：Discussion: “A further extension is to move beyond the present componentwise theory toward simultaneous confidence bands for time-indexed survival quantities...”。一个开放问题是：能否将本文的bootstrap论证扩展到函数空间D[0, \tau]，为累积基线风险或时变系数过程构造同时置信带？这需要建立debiased Cox估计量的函数弱收敛理论及其bootstrap版本。
扩展到其他惩罚：本文的理论只覆盖了Lasso。扎根于：Remark S1: “the proof does not automatically extend to penalties such as the elastic net, group Lasso, fused Lasso, SCAD, or MCP”。一个开放问题是：对于其他惩罚（如adaptive Lasso, SCAD），本文的bootstrap方案是否仍然有效？这需要分析这些惩罚下debiased估计量的渐近线性表示是否仍然成立，以及余项是否仍可控制。

Maintained by 陈星宇 · Homepage · Source on GitHub