本文提出一种构建在一般时刻条件模型下针对 $\tilde p$ 个潜在无限维参数的同时置信带的程序，其中 $\tilde p$ 可能大于可用数据样本的样本量 $n$。该程序基于满足某些正交性条件的得分函数的构建。提出的同时置信带依赖于高维向量的统一中心极限定理，并采用可计算多样性引导等效果很好的方法。通过模拟和实际数据应用来说明结果的适用性。

Dec, 2015

研究了具有重尾噪声分布的健壮线性回归模型，提出了 Huber 损失估计器，证明其在样本量近线性和异常值分数倒数多项式情况下具有一致性。

Sep, 2020

该论文提出了一种用于高维模型中单个或低维组件的置信区间和统计检验的一般方法，可轻松调整用于考虑测试之间的依赖关系。该方法还自然地扩展到具有凸损失函数的广义线性模型。

Mar, 2013

本文研究高维模型中低维部分的不确定性评估问题，提出了一种去相关的评分函数来处理高维噪声参数的影响，不同于现有方法的针对性，我们的方法提供了一种适用于广泛应用的高维推理通用框架。

Dec, 2014

使用 Lasso 和 Post-Lasso 方法来形成第一阶段的预测和估计线性工具变量（IV）模型中的最佳仪器，在有很多仪器，p 时（甚至远远大于样本量，n），展示了 IV 估计器可以基于使用 Lasso 或 Post-Lasso 作为第一阶段，并在第一阶段大致稀疏时是根 - n 一致和渐近正常的，同时也表明了估计器在结构误差是同方差和模型选择不完美时是半参数有效的。

Oct, 2010

提出一种基于似然比的高维半参数广义线性模型的推理框架，包括使用规则化统计制备模型、构建后规则化的置信区间和测试、发展新的浓缩不等式和正态逼近结果，以及应用于缺失数据问题的示例。

Dec, 2014

基因组研究中的假设检验问题，针对多元广义线性模型中的混淆效应，提出了一种统一的估计和推断框架，能够控制假阳性率，并且比替代方法更强大。

Sep, 2023

本文提出了基于顺应性推断的无分布预测推断的一般框架，并通过分析和比较其两个主要变体：完整顺应性推断和分裂顺应性推断以及相关的 jackknife 法，作出了在统计准确度和计算效率之间的不同权衡。与此同时，本文还发展了一种构建有效样本内预测间隔的方法，称为 “排名为一” 的顺应性推断。本文提出的所有提案的实施都可以使用 R 包 “conformalInference” 进行。

Apr, 2016

本篇论文从众多维度描述了对象的角度出发，提出了一种新的方法来解决稀疏正常分布下的样本均值的估计问题，进一步推导出极小极大下的收敛率，且得到了最优收敛率，并将该方法与其他方法进行了比较。

Dec, 2006

本文研究了在稀疏、高维、线性回归模型中，随着样本大小的增加，协变量数目可能增加时，SCAD 惩罚的最小二乘估计量的渐近特性。我们特别关注该估计量用于同时进行变量选择和估计的情况。我们证明在适当条件下，SCAD 惩罚最小二乘估计量在变量选择方面是一致的，而在非零系数的估计量具有与零系数事先已知的情况下一样的渐进分布，模拟研究表明该估计量在变量选择和估计方面表现良好。

Sep, 2007