Key points are not available for this paper at this time.
Un grand intérêt a été porté sur les modèles de régression linéaire à haute dimension, ce qui signifie que le nombre d'observations est bien inférieur à celui des covariables. Considérant que la haute dimensionnalité induit souvent un problème de colinéarité, dans cet article, nous étudions la régression quantile pénalisée avec le réseau élastique (EnetQR) qui combine les forces de la régularisation quadratique et du rétrécissement Lasso. Nous investiguons la propriété d'oracle faible de l'EnetQR sous des conditions modérées dans le cadre de haute dimension. De plus, nous proposons une procédure en deux étapes, appelée régression quantile par réseau élastique adaptatif (AEnetQR), où le vecteur de poids à la seconde étape est construit à partir de l'estimation de l'EnetQR à la première étape. Cette procédure en deux étapes est théoriquement justifiée pour posséder la propriété d'oracle faible. Les propriétés des échantillons finis sont effectuées par le biais de la simulation Monte Carlo et d'une analyse de données réelles.
Yan et al. (Thu,) ont étudié cette question.