Lasso估计是处理多重共线性的重要手段之一,与岭估计不同,它兼具压缩和筛选两个特点。近年来,Lasso估计的大样本性质是统计领域的研究热点。其中,有关条件异方差模型的Lasso估计的研究则起步较晚。Wagener和Dette(2013)研究了一类线性回归-异方差模型Yt=X,n’βn0+σ(Xt,n,Yt ε,证明了其加权的适应性Lasso估计具备符号相合性与渐近正态性。受此启发,Ziel(2016)应用一种迭代重加权算法,研究了线性回归-条件异方差模型Yt=Yt,X,n’βn0+εt,其中εt=σtZt,σt =g(αn0;Ln,t0),并且证明了其加权的适应性Lasso估计同样具备符号相合性与渐近正态性。弹性网络估计是Lasso估计的一种推广,在一定程度上,它可以兼具Lasso估计和岭估计的特点。本文推广了 Ziel(2016)的结论,对线性回归-条件异方差模型Yt= Xt,n’β0 +εt,其中εt=σtZt,σt=g(αn0;Ln,t0),提出了一种基于迭代重加权算法的适应性弹性网络估计,并证明了在一定条件下,上述加权的适应性弹性网络估计具备符号相合性及渐近正态性。证明过程中,主要应用了优化理论中的KKT条件以及概率论中的鞅差序列的中心极限定理。在数值模拟部分,针对一个具体的AR-ARCH模型进行拟合,从筛选变量的角度验证了弹性网络估计的符号相合性。