Robust Regularised M-Estimators for High-Dimensional Regression with Heavy-Tailed and Skewed Errors
Dit artikel introduceert een klasse van robuuste geregulariseerde M-schatters voor hoogdimensionale regressie die optimale convergentiesnelheden en variabele-selectieconsistentie bereikt onder minimale momentvoorwaarden (eindig ), waarbij bestaande methoden overtreft in zowel simulaties als real-world genomische toepassingen bij het omgaan met zware staarten, scheve of gecontamineerde fouten.