跳转至

Adaptive Penalized Doubly Robust Regression for Longitudinal Data

讲者: Yuyao Wang
会场: Variable Selection and FDR Control and Network and Graphical Models
报告题目: Adaptive Penalized Doubly Robust Regression for Longitudinal Data
链接: arXiv
来源: JCSDS 2026 · 返回会议总览

一、领域脉络与小综述

这个方向是什么

这个子方向解决的根本问题是：如何在存在数据污染（响应异常值和协变量杠杆点）的高维纵向数据中，同时实现固定效应的稀疏变量选择和稳健估计，并正确刻画组内相关结构（随机效应协方差）。当前成熟度属于“方法正在从低维稳健估计和高维稀疏估计两条独立线索向高维稳健稀疏混合模型融合”的阶段，但融合工作仍不充分，尤其缺乏同时处理两种污染源的理论保证。

发展脉络（history）

奠基工作：纵向线性混合效应模型（LMM）的框架由 Laird and Ware (1982) 奠定，其标准推断与软件实现由 Pinheiro and Bates (2000)、Verbeke and Molenberghs (2000)、Diggle et al. (2002) 和 Bates et al. (2015) 完成。稳健统计的基石由 Huber (1964)、Hampel et al. (1986) 和 Huber and Ronchetti (2009) 建立，提供了通过影响函数和M-估计进行异常值降权的思想。高维稀疏估计的里程碑是 Fan and Li (2001) 提出的非凹惩罚似然框架及其“oracle性质”，以及 Zhang (2010) 提出的 MCP 惩罚族，后者在减少有偏性方面优于 Lasso。

主要进展：在混合效应模型的变量选择方面，早期工作包括 Bondell et al. (2010) 和 Ibrahim et al. (2011) 对固定和随机效应的联合选择。Schelldorfer et al. (2011) 将 ℓ1 正则化引入高维 LMM 并给出了理论保证。在稳健混合效应模型方面，Richardson and Welsh (1995) 探索了稳健 REML 思想，Pinheiro et al. (2001) 研究了基于 t 分布的稳健化方法，Koller (2016) 提供了实用的 R 包 robustlmm。在非凸惩罚的计算方面，Zou and Li (2008) 提出了局部线性近似（LLA）策略，Breheny and Huang (2011) 给出了 SCAD/MCP 的坐标下降算法。高维 M-估计的统一理论框架由 Negahban et al. (2012) 建立，Loh and Wainwright (2015) 将其推广到非凸损失和惩罚的情形。

当前 frontier 与本文位置：当前前沿是将稳健性与高维稀疏性在混合效应模型中系统性地结合。Ran and Xu (2024) 的工作是一个直接前驱，它结合了稳健性、依赖建模和稀疏性，但本文作者指出其“没有直接解决高维变量选择与同时防护响应异常值和协变量杠杆点的问题”。本文（Wang et al., 2026）的定位是：提出一个同时处理两种污染源（响应异常值和协变量杠杆点） 的、具有理论保证的高维 LMM 稀疏估计框架。它通过“双重自适应权重”将稳健 M-估计思想与折叠凹惩罚结合，并利用 Negahban et al. (2012) 和 Loh and Wainwright (2015) 的框架进行理论分析。

子线索聚类

  1. 高维变量选择与混合效应模型：关注如何在 p >> N 时对 LMM 进行稀疏估计。代表工作：Bondell et al. (2010)、Ibrahim et al. (2011)、Schelldorfer et al. (2011)。这些方法通常假设数据是“干净的”，对异常值敏感。
  2. 稳健混合效应模型：关注在低维设定下如何使 LMM 对异常值不敏感。代表工作：Richardson and Welsh (1995)、Pinheiro et al. (2001)、Koller (2016)。这些方法通常不进行高维变量选择。
  3. 稳健性与稀疏性的结合：这是本文的直接领域。代表工作：Ran and Xu (2024) 和本文。Ran and Xu (2024) 结合了稳健性、依赖建模和稀疏性，但本文进一步强调了同时处理响应和协变量污染，并提供了更完整的理论分析。

这个方向在追问的核心问题

  1. 如何在存在异常值时进行一致的变量选择？ 标准的高维方法（如 Lasso）在异常值下会失效。当前主流方法是通过加权或使用稳健损失函数（如 Huber 损失）来修正，但如何在高维 LMM 中实现这一点并保持理论性质是难点。
  2. 如何同时处理响应异常值和协变量杠杆点？ 这是本文特别强调的。大多数稳健方法只关注响应异常值（垂直异常值），而协变量杠杆点（坏杠杆点）同样有害。当前瓶颈在于如何设计一个统一的权重机制来识别并降权这两种污染。
  3. 如何在稳健框架下正确估计随机效应协方差？ 异常值会严重扭曲随机效应的估计。当前方法要么忽略这个问题，要么使用复杂的 EM 算法，但理论保证不足。
  4. 稳健高维估计的有限样本理论是什么？ 需要建立类似于 Negahban et al. (2012) 的统一框架，但扩展到带权重的、非凸惩罚的 LMM 情形。

⚠️ 作者的 framing

作者将缺口 frame 成：“现有方法要么只做稳健性不做稀疏性（如 robustlmm），要么只做稀疏性不做稳健性（如 glmmLasso），而同时做这两者且能处理两种污染源的工作（如 Ran and Xu, 2024）还不够系统”。因此，本文成为“显然的下一步”：提出一个同时解决所有问题的统一框架。作者淡化了计算复杂度和调参难度（双重权重、全局因子、多个惩罚参数），也回避了与更一般的稳健高维方法（如基于 Huber 损失的 Lasso）在 LMM 框架下的直接比较。什么明显该被引/该存在、却没出现在 intro 里？ 论文没有引用任何关于因果推断中“双重稳健” 的文献（尽管用了“doubly robust”一词，但作者明确声明是异常值稳健意义，非因果推断意义），这避免了混淆，但可能也错过了与因果推断领域（如双重稳健估计量）的潜在联系。此外，没有引用更近期的、关于高维稳健回归的通用理论（如基于截断或中位数的 Lasso），这可能是一个值得研究者去查的缺口。

张力

未见明显对立引用。所有被引工作都在各自的子领域内推进，没有出现“在略不同条件下得相反结论”的情况。这本身可能意味着这个方向还比较“年轻”，共识多于争议。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：
    • i = 1, ..., n: 个体（subject）索引。
    • t = 1, ..., T_i: 个体 i 的观测时间点索引。
    • Y_it ∈ R: 个体 i 在时间 t 的可观测响应变量。
    • X_it ∈ R^p: 个体 i 在时间 t 的可观测固定效应协变量向量（高维，p 可能很大）。
    • Z_it ∈ R^q: 个体 i 在时间 t 的可观测随机效应协变量向量（低维，q 通常很小）。
    • β* ∈ R^p: 未知的固定效应参数向量，是主要估计目标，假设是稀疏的（大部分元素为0）。
    • b_i ∈ R^q: 潜在（不可观测） 的个体 i 的随机效应向量，假设服从均值为0、协方差为 D* 的分布。
    • ε_it ∈ R: 潜在（不可观测） 的个体 i 在时间 t 的随机误差，假设均值为0、方差为 (σ*)²。
    • N = Σ_i T_i: 总观测数。
    • s = |S|: 真实非零固定效应的个数（稀疏度），S = {j: β*_j ≠ 0}。
    • w_it ∈ [0, 1]: 观测 (i, t) 的双重自适应权重，是方法的核心。
    • p_λ(·): 稀疏性诱导惩罚函数（如 SCAD, MCP）。
  • 模型：线性混合效应模型（LMM）： Y_it = X_it^T β* + Z_it^T b_i + ε_it 这个模型将响应分解为：总体平均效应（固定部分）+ 个体特异性偏移（随机部分）+ 噪声。
  • 可观测数据：研究者能观测到的是 (Y_it, X_it, Z_it) 三元组。无法直接观测到的是 b_i 和 ε_it。随机效应 b_i 的存在使得同一主体的不同观测 Y_it 之间产生相关性，这是纵向数据的核心特征。β* 和 D*（随机效应协方差）是需要从可观测数据中估计的未知参数。

第二步：讲最小内核

本文的核心思路可以浓缩为一个最简特例：假设没有随机效应（即 q=0，模型退化为标准线性回归），且固定效应维度 p 是固定的（非高维）。在这个特例下，本文的方法退化为一个带双重自适应权重的稳健 M-估计。

最简特例下的问题： - 模型：Y_i = X_i^T β* + ε_i，其中 i = 1, ..., N（这里 N 就是样本量）。 - 目标：在数据可能被“垂直异常值”（Y 异常大/小）或“坏杠杆点”（X 极端且 Y 异常）污染时，稳健地估计 β。 - 核心困难*：一个异常点可以同时是垂直异常值和坏杠杆点，标准的最小二乘估计（OLS）会被严重拉偏。

最小内核的解法（本文思想的雏形）： 1. 稳健初拟合：先用一个稳健方法（如 Huber 回归或 LAD 回归）得到一个初估计 β̃ 和残差尺度 σ̃。同时，用 MCD 估计器得到协变量 X_i 的稳健中心和散布 (ℓ̃, Σ̃)。 2. 计算双重自适应权重：对每个观测 i，计算两个指标： - 响应异常度：标准化残差 r̃_i = (Y_i - X_i^T β̃) / σ̃。|r̃_i| 很大，说明是垂直异常值。 - 协变量杠杆度：稳健马氏距离 d²(X_i) = (X_i - ℓ̃)^T Σ̃^{-1} (X_i - ℓ̃)。d²(X_i) 很大，说明是杠杆点。 - 全局因子：计算 δ̃ = sup_u |F_n⁺(u) - F₀⁺(u)|，其中 F_n⁺ 是 |r̃_i| 的经验分布，F₀⁺ 是标准正态分布绝对值。δ̃ 衡量了整体污染水平。 - 最终权重：w_i = φ₁(δ̃ |r̃_i|) * φ₂(δ̃ d²(X_i))。φ₁, φ₂ 是递减函数（如 Tukey 双平方）。这个权重同时惩罚了“残差大”和“杠杆高”的观测，且通过 δ̃ 自适应地调整惩罚的严厉程度。 3. 加权估计：用加权最小二乘估计 β： β̂ = argmin_β Σ_i w_i (Y_i - X_i^T β)² + N * p_λ(|β|) 这里 p_λ 是 MCP 或 SCAD 惩罚，用于在 p 固定时进行变量选择（虽然 p 固定，但惩罚仍可用来实现稀疏性）。

为什么这个内核能工作？ - 对于“干净”的观测，w_i ≈ 1，它们正常贡献信息。 - 对于“垂直异常值”，|r̃_i| 很大，w_i 很小，其影响被降权。 - 对于“坏杠杆点”，d²(X_i) 很大，w_i 很小，其影响也被降权。 - 对于既是垂直异常值又是坏杠杆点的观测，权重会非常小，几乎被完全排除。 - 全局因子 δ̃ 确保了在数据整体干净时，权重不会过度降权，保持效率；在污染严重时，降权更激进。

论文的一般情形：将这个内核推广到高维（p >> N）和存在随机效应（LMM）的情形。高维性通过折叠凹惩罚（SCAD/MCP）和 LLA 算法处理；随机效应通过加权经验贝叶斯（REB）步骤和 EM 算法处理。理论分析则依赖于 Negahban et al. (2012) 的 RSC 框架和 Loh & Wainwright (2015) 的非凸优化理论。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在高维纵向线性混合效应模型（LMM）中，当数据同时受到响应异常值和协变量杠杆点污染时，如何进行稳健的固定效应变量选择和参数估计。
  2. 核心工具/方法：提出了“双重自适应稳健回归”（DAR-R）框架，它结合了（a）稳健初拟合，（b）基于残差和杠杆度的双重自适应观测权重（含全局污染因子），（c）用于固定效应选择的折叠凹惩罚（SCAD/MCP），以及（d）用于随机效应和方差分量更新的加权 EM 算法。
  3. 主要结论：在正则条件下，DAR-R 的估计量满足非渐近的 ℓ2 和预测误差界（O_p(√(s log p / N))），具有支持恢复一致性（P(Ŝ = S) → 1）和 Oracle 渐近正态性。模拟和真实数据（TADPOLE/ADNI）表明，DAR-R 在估计精度、假阳性控制和协方差估计方面优于现有方法。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 模型：Y_it = X_it^T β* + Z_it^T b_i + ε_it，其中 b_i ~ (0, D*), ε_it ~ (0, (σ*)²)，且 b_i 与 ε_it 独立，并与 (X_it, Z_it) 条件独立。
  • 目标：估计稀疏的 β*（支持集 S，|S| = s << p），并估计 D* 和 σ*。
  • 关键假设（论文 Assumption 1-7）：
    • A1 (聚类抽样与矩条件)：个体间独立；组内大小 T_i 有界；b_i 和 ε_it 有有限 2+δ 阶矩。这是纵向数据集中和 CLT 的标准假设。
    • A2 (设计正则性)：X_it 是次高斯的，协方差矩阵特征值有界。确保 Gram 矩阵的集中性。
    • A3 (稀疏性与增长机制)：s log p = o(N) 且 s << p。这是高维稀疏回归的标准假设，用于控制 RSC 中的容差项。
    • A4 (权重正则性)：权重 w_it ∈ [0,1]，且存在一个“干净”索引集 C，其大小至少为 (1-ε)N，使得 w_it ≥ c_w > 0。这是本文最关键的假设之一，它保证了加权后仍保留足够的有效样本量，是 RSC 和梯度界成立的基础。它隐含了权重机制能正确识别并保留大部分干净数据。
    • A5 (惩罚正则性)：惩罚函数 p_λ 是 SCAD/MCP 或自适应 Lasso，满足 p'_λ(0+) = λ，且 p'_λ(t) = 0 对 t ≥ aλ。调参参数 λ ≍ √(log p / N)。这是标准假设，确保惩罚在非零系数处不产生渐近偏差。
    • A6 (可行-近端得分接近性)：使用估计的权重和方差分量计算的得分 ∇L_N(β*) 与使用“真实”/极限版本计算的得分 ∇L°_N(β*) 在 ℓ∞ 范数下相差 o_p(λ)。这是连接理论和实践的桥梁假设，它形式化了“估计权重和方差分量不会显著恶化得分”这一直觉。
    • A7 (限制性强凸性, RSC)：对 profiled 加权损失 L_N(β) 的 Hessian 矩阵，在锥 C(S,3) 上满足 ∆ᵀ∇²L_N(β*)∆ ≥ α||∆||₂² - τ (log p / N) ||∆||₁²。这是高维 M-估计理论的核心，它确保了损失函数在稀疏方向上有足够的曲率。

相比已有文献的强化或放宽： - 强化：相比 Negahban et al. (2012) 的凸损失框架，本文处理的是非凸惩罚（SCAD/MCP），需要借助 Loh and Wainwright (2015) 的局部最优理论。 - 放宽：相比标准的 Lasso 理论，本文的 RSC 条件是在加权和 profiled 后的损失上定义的，这比原始 LMM 的似然函数更复杂。假设 A4 和 A6 是本文特有的，它们将稳健性和权重估计的影响纳入理论框架。

主要结果

  • Theorem 1 (非渐近界)：在假设 A1-A7 下，若 λ ≥ 2||∇L_N(β*)||_∞，则存在常数 C1, C2 > 0 使得：
    • ||β̂ - β*||₂ ≤ C1 λ √s / α
    • (1/N) ||W̃^{1/2} X (β̂ - β*)||₂² ≤ C2 λ² s / α
    • 直觉：估计误差和预测误差以 λ √s 的速率有界，这是高维稀疏估计的标准速率。常数 α 来自 RSC 条件，反映了加权后损失函数的曲率。条件 λ ≥ 2||∇L_N(β*)||_∞ 是确保基本不等式能导出锥约束的标准校准。
  • Theorem 2 (一致性)：在假设 A1-A7 下，若 λ ≍ √(log p / N)，则：
    • ||β̂ - β*||₂ = O_p(√(s log p / N))
    • ||β̂ - β*||₁ = O_p(s √(log p / N))
    • 直觉：这是 Theorem 1 的直接推论，给出了估计量的收敛速率。它表明双重自适应加权没有改变一阶收敛速率，只要干净质量条件（A4）成立。
  • Theorem 3 (支持恢复)：在假设 A1-A7 下，若额外满足一个加权不相关条件（||∇²_{S^c S} L_N(β*) (∇²_{SS} L_N(β*))^{-1}||_∞ ≤ 1-η）和最小信号条件（min_{j∈S} |β*_j| ≥ c_β λ），则 P(Ŝ = S) → 1。
    • 直觉：这是高维变量选择的标准结果。不相关条件确保活跃和非活跃变量之间的相关性足够弱，最小信号条件确保真实信号不会被惩罚“压死”。折叠凹惩罚有助于放宽最小信号条件（相比 Lasso）。
  • Theorem 4 (Oracle 渐近正态性)：在 Theorem 3 的条件下，若 s = o(√N)，则在事件 {Ŝ = S} 上，活跃子向量 β̂_S 满足：
    • √N (β̂_S - β*_S) → N(0, G_S^{-1} Ψ_S G_S^{-1})
    • 直觉：一旦支持集被正确恢复，且惩罚在非零系数处导数为0（SCAD/MCP 的性质），估计量就表现得像在真实模型上进行的未惩罚加权最小二乘估计。其渐近协方差由 profiled 加权损失的信息矩阵 G_S 和得分方差 Ψ_S 决定，体现了相关性和稳健性的影响。

证明路线与技术技巧

  • 整体路线：

    1. 基本不等式：从 β̂ 的最优性出发，得到 L_N(β̂) + P_λ(β̂) ≤ L_N(β*) + P_λ(β*)。通过二次展开和 Hölder 不等式，推导出 (1/2)∆ᵀG∆ ≤ ||ξ||_∞ ||∆||₁ + (λ_S ||∆_S||₁ - λ_{S^c} ||∆_{S^c}||₁)。
    2. 建立锥约束：通过选择 λ 使得 λ_{S^c} ≥ 2||ξ||_∞，可以证明 ||∆_{S^c}||₁ ≤ 3||∆_S||₁，即 ∆ ∈ C(S, 3)。这一步将问题限制在稀疏锥内。
    3. 应用 RSC：在锥 C(S, 3) 上，利用 RSC 条件（A7）将二次项 ∆ᵀG∆ 与 ||∆||₂² 联系起来，并利用 ||∆||₁ ≤ 4√s ||∆||₂ 处理 RSC 中的 ℓ1 容差项。
    4. 求解 ℓ2 界：将 RSC 下界和 ℓ1 上界代入基本不等式，得到 (α/2) ||∆||₂² ≤ 3λ √s ||∆||₂，从而导出 ||∆||₂ = O(λ √s)。预测误差界类似可得。
    5. 支持恢复（PDW）：使用 Primal-Dual Witness 方法。先求解一个限制在真实支持集 S 上的“oracle”问题得到 β̃_S。然后构造一个对偶变量 z_{S^c}，证明在加权不相关条件和最小信号条件下，z_{S^c} 满足 KKT 条件，从而 β̃ = (β̃_S, 0) 是全局最优解，且支持集被正确恢复。
    6. 渐近正态性：在支持集正确恢复的事件上，估计量退化为未惩罚的 profiled 加权最小二乘估计。通过 Lyapunov CLT 对独立但非同分布的个体得分项 U_i 应用，得到 √N (β̂_S - β*_S) 的渐近正态性。

  • 关键跳跃点：

    • 从基本不等式到锥约束：需要证明 λ_{S^c} ≥ 2||ξ||_∞ 成立。这依赖于 Lemma 2 对 ||ξ||_∞ 的界（O_p(√(log p / N))）和假设 A6（估计权重/方差不会恶化得分）。这是将稳健权重纳入理论的关键。
    • RSC 条件的验证：Lemma 3 指出 Hessian 是 (1/N) Xᵀ W̃ X。证明其在锥上满足 RSC 需要结合假设 A2（设计正则性）和 A4（权重正则性），即加权后的 Gram 矩阵在稀疏方向上仍有足够的曲率。这并非平凡，但论文将其归为“标准集中论证”。
    • 支持恢复的 PDW 论证：需要证明构造的 z_{S^c} 满足 ||z_{S^c}||_∞ < λ_{S^c}。这依赖于加权不相关条件和 ||ξ||_∞ 的界。这是高维变量选择理论的标准技巧。

  • 技术技巧点名：

    • 局部线性近似 (LLA)：用于处理非凸的 SCAD/MCP 惩罚，将其转化为一系列加权 Lasso 子问题（Zou and Li, 2008）。
    • 坐标下降：用于高效求解 M-step 中的加权惩罚最小二乘问题（Breheny and Huang, 2011; Friedman et al., 2010）。
    • EM 算法：用于交替更新权重、随机效应和方差分量，处理潜在变量 b_i。
    • Primal-Dual Witness (PDW)：用于证明支持恢复一致性的标准技巧。
    • Lyapunov 中心极限定理：用于证明在个体独立但非同分布的情况下，得分之和的渐近正态性。
    • 限制性强凸性 (RSC)：高维 M-估计理论的核心工具（Negahban et al., 2012）。

真实例子与应用

  • 数据/场景：TADPOLE/ADNI 阿尔茨海默病纵向队列数据。响应变量是 ADAS-Cog 13 评分（ADAS13），一个衡量认知功能的指标。固定效应协变量包括人口统计学、认知评分、MRI 衍生测量、PET/生物标志物等，维度很高。随机效应是每个个体的随机截距和随机时间斜率。
  • 方法应用：将 DAR-R 应用于此数据，使用 MCP 或 SCAD 惩罚。通过 100 次重复的个体级留出实验（75% 训练，25% 测试）来评估性能。调参通过个体级交叉验证进行。
  • 结果：
    • 预测性能：DAR-R 取得了最低的 MAE (5.76)、RMSE (7.20) 和 MedAE (4.97)，显著优于 Penalized-LME (MAE≈14.87) 和 Robust-LME (MAE≈14.87)，也略优于 LASSO (MAE=6.07)。
    • 变量选择：DAR-R 选择的模型更稀疏（平均 12-13 个预测因子），而 LASSO 选择了约 18 个。DAR-R 反复选择的顶级预测因子（如 ADAS11, APOE4, PTGENDER, AGE, DX）在临床上具有意义，且符号一致性为 1，表明方向可靠。
    • 稳定性：DAR-R 的 Jaccard 稳定性系数为 0.72，低于 Penalized-LME (0.986) 但高于其稀疏性所暗示的水平，表明在保持稀疏性的同时具有合理的稳定性。预测误差的箱线图显示 DAR-R 的离散度最小。
  • 这个例子想说明什么：DAR-R 在实际的、有噪声的、高维纵向临床数据中，能够同时实现最优的预测精度、有意义的稀疏变量选择和良好的稳定性。它证明了双重自适应权重机制在处理真实世界数据中的异质性和测量误差方面的有效性。

🔎 结论是否比证明窄

  • 是。论文的结论在理论上非常扎实，但证明依赖于几个关键假设，这些假设在实际中可能难以验证或严格成立：
    • 假设 A4 (权重正则性) 要求权重机制能正确识别并保留大部分干净数据。这在理论上保证了有效样本量，但在实践中，如果污染模式复杂（例如，大量污染点恰好具有中等残差和杠杆），这个假设可能被违反。
    • 假设 A6 (可行-近端得分接近性) 是连接理论和实践的桥梁，但论文没有给出具体的、可验证的条件来保证它成立。它更像是一个“如果这个成立，那么结论成立”的条件。
    • Theorem 3 中的加权不相关条件 是标准但很强的假设，在高维相关设计中可能不成立。
    • Theorem 4 的渐近正态性 依赖于 s = o(√N)，这是一个比 s log p = o(N) 更强的条件，限制了稀疏度相对于样本量的增长速度。
    • Proposition 1 (Breakdown point) 的结论是条件性的（“在事件 E_N 上”），没有给出一个明确的、与数据维度和污染比例相关的有限样本 breakdown point 界。它更像是一个定性说明，而非一个可操作的定量结果。

四、开放问题

  1. 扩展到广义线性混合模型 (GLMM) 和半参数模型：论文的结论（Section 7, Future work）明确指出“当前框架可以扩展到广义或半参数混合效应模型”。这是一个明确的开放问题：如何将 DAR-R 的双重自适应权重和理论分析推广到非高斯响应（如二值、计数）或更灵活的非参数轨迹？
  2. 结构化惩罚的整合：论文提到（Section 7, Future work）“整合结构化惩罚（如组、层次或图引导惩罚）对于具有已知生物学组织的多模态生物标志物将是有价值的”。这是一个具体的方法论扩展：如何将 DAR-R 的权重机制与 Group Lasso、Graph-guided Fused Lasso 等结构化稀疏方法结合？
  3. 选择后的推断与不确定性量化：论文指出（Section 7, Future work）“开发 DAR-R 选择后的正式推断工具，包括置信区间和稳健加权下的不确定性量化”。这是一个重要的开放问题：在 DAR-R 进行变量选择后，如何对选出的系数进行有效的统计推断（如构造置信区间、进行假设检验），并考虑选择过程带来的不确定性？
  4. 更弱的理论假设：论文的理论依赖于假设 A4（权重正则性）和 A6（可行-近端得分接近性）。一个开放问题是：能否在更弱、更易验证的假设下建立类似的理论保证？例如，能否不假设“干净”索引集的存在，而是直接对污染分布建模？或者，能否给出 A6 成立的充分条件，使其不再是一个“黑箱”假设？

Maintained by 陈星宇 · Homepage · Source on GitHub

评论