跳转至

2026-05-19 每日 arXiv 资讯

  • 高相关论文 4 篇 · 中相关 14 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）

因果推断 (causal_inference, 3 篇)

1. 2605.17910 — Double/Debiased Machine Learning for Continuous Treatment Effects in Panel Data with Endogeneity

  • 作者: Peikai Wu, Kuan Sun, Zhiguo Xiao
  • 分类: stat.ME
  • 相关性 9/10 · novelty: new_method
  • 摘要: 本文在带有双向固定效应的非参数面板模型中，研究连续处理变量存在内生性时的平均导数效应（average derivative effects）估计。方法将工具变量扩展至面板设定，通过引入特定的交叉拟合方案恢复消除时间固定效应后的独立性，并利用惩罚 GMM 去偏项实现内生性下的自动去偏机器学习。所提出的同期、动态及加总效应估计量均具有 n^{-1/2}-CAN 性质及有效的方差估计。模拟显示其有效降低了正则化偏差，ECLS-K 数据应用揭示了家庭 SES 对儿童 BMI 的丰富动态效应。该框架将 DML 与面板 IV 深度结合，对您在纵向因果推断及半参数效率理论方面的研究有直接的方法论借鉴价值。
  • 关键技术: double/debiased machine learning, panel instrumental variable, penalized GMM debiasing, cross-fitting for fixed effects, average derivative effects, two-way fixed effects
  • 为什么对您有用: 论文直接结合了您关注的纵向因果推断与 DML 效率理论，其在面板 IV 设定下的惩罚 GMM 自动去偏机制和针对固定效应的交叉拟合方案，对处理纵向数据内生性问题具有可迁移的方法论启发。

2. 2605.18724 — Sensitivity analysis for causal mediation: bridge score, sharp sensitivity bounds, and calibration

  • 作者: Yuki Ohnishi, Fan Li
  • 分类: stat.ME
  • 相关性 9/10 · novelty: new_method
  • 摘要: 在因果中介分析框架下，自然直接/间接效应的识别依赖于中介阶段的序贯可忽略性假设，该假设不可经验验证，需进行敏感性分析。本文提出 bridge score——由同一中介值处两个处理特异性中介密度构成的低维向量，并证明其是中介阶段序贯可忽略性的 balancing score。在 bridge score 条件下，作者推导出关于不可识别中介-结局混杂函数的 sharp pointwise envelope，由两个可解释的潜在混杂参数刻画。为使该界可操作，进一步提出两种校准方法：基于观测协变量的 benchmark calibration（含对单调变换不变的秩版本）和基于残差变异的 residual budget calibration。最后通过标量泛函约化与 Bayesian g-computation 算法实现推断，将所有不确定性传播至中介效应的后验抽样。对您有用：该文为 mediation sensitivity 提供了新的 sharp bound 框架，bridge score 作为 balancing score 的思路可迁移至您关注的 proximal CI 及其他不可验证识别假设的敏感性分析中。
  • 关键技术: bridge score, balancing score, sharp sensitivity bounds, benchmark calibration, Bayesian g-computation, sequential ignorability
  • 为什么对您有用: 直接推进您 primary interest 中的 causal mediation 与 sensitivity analysis 方向；bridge score 作为低维 balancing score 的构造思路，以及 sharp bound + calibration 的整套框架，可迁移至 proximal CI 等其他涉及不可验证识别假设的敏感性分析场景。

3. 2605.17050 — Single World Intervention Graphs as Distributions: A Framework for Causal Identification

  • 作者: Christian Bartels
  • 分类: stat.ME
  • 相关性 8/10 · novelty: minor
  • 摘要: 在 SWIG（Single World Intervention Graphs）框架下，本文将 SWIG 视为观测分布与干预分布的统一表示，而非仅作为通往 potential outcomes 的桥梁（沿 Richardson & Robins 2013 §9 思路）。核心机制是：对 SWIG 上被干预节点进行图操作后，直接从修改后的联合分布读出 identification 表达式；back-door 场景推导与既有文献一致，front-door 场景则给出一条不同路径，且据称更易推广至多干预、纵向等复杂设定。概念上，该方法与 Rubin 框架及 Pearl do-calculus 既有联系又有区别。本文为 essay 性质，未涉及估计效率、半参数界或收敛率等数学理论。对您而言，若在 proximal CI 或纵向因果中需要图辅助的 identification 推导，front-door 推广思路可作参考，但理论深度较浅。
  • 关键技术: SWIG, causal identification, front-door criterion, graphical model, do-calculus
  • 为什么对您有用: 连接到您 primary interest 中的因果 identification 子方向；front-door 推广路径可能在复杂纵向/多干预设定下提供 identification 新思路，但本文为概念性框架文章，数学深度有限，收益主要在图论视角的 identification 推导技巧。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)

1. 2605.17111 — Symmetry-Aware Convex Shrinkage for High-Dimensional Covariance Estimation

  • 作者: Mitchell A. Thornton
  • 分类: stat.ME · cs.IT · eess.SP · math.IT
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在高维协方差矩阵估计设定下，提出一类数据自适应 shrinkage 估计器：以有限对称群的 Reynolds 投影替代 Ledoit-Wolf 的标量单位阵目标，同时推广了 Shah–Chandrasekaran 的群对称 MLE，将结构化目标与自适应凸 shrinkage 结合，并通过 held-out 负对数似然从候选库中数据驱动地选择对称群。两层选择程序先由领域先验构建候选库，再以 held-out 校准凸组合权重；理论上给出了权重的有限样本 regret 界、群选择的 oracle inequality，以及在 Frobenius MSE 下优于 Ledoit-Wolf 的充分匹配条件。实证覆盖金融、气候、基因组、信号处理、天文成像与自然图像六个场景，在 few-shot 区间结构先验信息密度最高时优势明显，样本充足时 Ledoit-Wolf 仍为合理基线。对您有用：该工作将 Ledoit-Wolf shrinkage 推广至群对称结构目标，其 oracle inequality 与 regret 界的分析思路可迁移至高维 inference 中结构化协方差估计的效率理论研究。
  • 关键技术: Ledoit-Wolf convex shrinkage, Reynolds projection under finite symmetry group, oracle inequality for group selection, finite-sample regret bound, held-out negative log-likelihood calibration, Frobenius mean-squared error
  • 为什么对您有用: 直接关联您的高维统计与 RMT 兴趣——Ledoit-Wolf shrinkage 是 RMT 在协方差估计中的经典应用，本文的群对称结构推广与 oracle inequality 为结构化高维协方差估计提供了新的理论工具，其 regret 界分析思路可借鉴至 debiased ML / 效率理论中协方差结构需估计的场景。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 2 篇)

1. 2605.17068 — Nonparametric Bayesian Policy Learning

  • 作者: Haonan Ye
  • 分类: econ.EM
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出非参数贝叶斯策略学习（NBPL）框架，用于不确定性感知的处理分配决策；决策者在给定策略类下选择期望福利最大化的处理规则，核心观察是福利相关对象的不确定性完全由约简参数（reduced-form distribution）的不确定性诱导。对约简参数放置 Dirichlet process 先验，通过 Bayesian bootstrap 实现后验推断，计算上高度可行。理论贡献有二：(1) NBPL 下的后验福利遗憾（posterior welfare regret）以 minimax 最优速率收敛；(2) 跨策略类的后验模型比较具有逐点一致性。实证部分复现了 Bhattacharya & Dupas (2012) 蚊帐补贴实验与 Kitagawa & Tetenov (2018) JTPA 实验。对您有用：该文将非参数贝叶斯与因果策略学习结合，minimax-optimal regret rate 与您关注的 semiparametric efficiency 理论直接相关，Bayesian bootstrap 的 tractable 实现也可作为统计计算层面的参考。
  • 关键技术: Dirichlet process prior, Bayesian bootstrap, welfare regret minimax rate, posterior model comparison, treatment choice / policy learning, nonparametric Bayesian inference
  • 为什么对您有用: 直接连接因果推断的策略学习（treatment choice）与半参数/非参数理论，minimax-optimal regret rate 对应您关注的 efficiency theory，经济数据集（JTPA）对您 secondary interest 中的 econ_theory 有数据价值。

2. 2605.18633 — Stable Causal Discovery via Directed Acyclic Graph Aggregation

  • 作者: Yunan Wu, Yue Wang, Chunlin Li, Chenglong Ye
  • 分类: stat.ME · stat.ML
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究因果结构学习中的 DAG 估计不稳定问题：在有限样本、模型不确定及组合搜索空间下，单一 DAG 估计往往不稳定。提出 DAGgr 框架，通过重复数据划分的样本外预测似然对候选 DAG 加权聚合，并对边重要性分数施加阈值规则以保证聚合图的无环性。理论上给出有限样本风险界，证明聚合图保持无环性，并在权重温和条件下建立边选择一致性。模拟（random/hub/chain 结构）与 Sachs 蛋白信号网络数据分析表明 DAGgr 匹配或超越最优单一候选图，且在结构恢复指标上一致优于 bootstrap 聚合基线。对您而言，该文属于因果发现/结构学习方向，与您关注的 identification/estimation/sensitivity 等因果推断子方向有距离，但模型聚合与有限样本风险界的思路可参考。
  • 关键技术: DAG model averaging, out-of-sample predictive likelihood weighting, edge-importance thresholding for acyclicity, finite-sample risk bound, edge selection consistency
  • 为什么对您有用: 与您 primary interest 中的因果推断有 topical 重叠，但子方向不同（结构学习 vs identification/estimation/sensitivity）；有限样本风险界与聚合策略的思路可迁移至其他模型平均场景，但直接收益有限。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 2605.16652 — Semiparametric Regression for Misclassified Competing Risks Data

  • 作者: Theofanis Balanos, Constantin T. Yiannoutsos, Felix M. Pabon-Rodriguez, Hongmei Nan, Giorgos Bakoyannis
  • 分类: stat.ME
  • 相关性 5/10 · novelty: new_method
  • 摘要: 在无内部验证样本的竞争风险设定下，本研究针对事件类型误分类问题，利用外部验证研究的误分类概率调整估计，目标是各事件类型的回归模型参数。方法上，提出基于 B-spline 的筛伪似然函数，将外部误分类概率整合入似然，对所有事件类型模型进行联合估计。理论证明方面，利用经验过程理论建立了筛估计量的一致性。模拟显示该方法在有限样本下表现良好，且相比已有方法具有更高的估计效率。实证分析应用于撒哈拉以南非洲的 HIV 观察性研究数据，修正了因死亡漏报导致的误分类偏差。对您有用：该文展示了 sieve M-estimation 在复杂缺失/误分类生存分析中的具体应用与经验过程理论证明，且 HIV 队列数据对流行病学应用有参考价值。
  • 关键技术: sieve pseudo-likelihood, B-spline expansion, empirical process theory, misclassification adjustment, competing risks regression
  • 为什么对您有用: 该文将 sieve M-estimation 与经验过程理论应用于带误分类的竞争风险模型，直接契合您的半参数/非参数理论兴趣；同时其 HIV 观察性研究数据应用属于流行病学因果/缺失数据范畴，具有数据集与方法迁移的参考价值。

2. 2605.17934 — Conditional Predictive Inference for General Structured Data with Group Symmetries

  • 作者: Yichen Shen, Mengxin Yu
  • 分类: stat.ME · math.ST · stat.ML · stat.TH
  • 相关性 4/10 · novelty: new_method
  • 摘要: 在群对称结构数据（网络、聚类、影像）下，目标是实现近条件覆盖（near-conditional coverage）的分布自由预测推断，放松了传统 i.i.d./可交换性假设。C-SymmPI 框架将条件覆盖重新表述为用户指定函数类上的误覆盖误差（受 relaxed multi-accuracy 启发），从而在分布不变性与分布漂移下建立理论保证。对线性函数类和 RKHS 函数类推导了收敛速率，可交换情形下的最优结果作为特例被恢复。计算方面提出两种变体：针对高维观测的投影算法和针对大/无限群的采样算法。实验在层次数据和网络数据上验证了 C-SymmPI 相比 SymmPI 提供更稳定、更信息丰富的条件覆盖。对您而言，RKHS 函数类上的收敛速率分析及将条件覆盖转化为函数类误覆盖误差的技巧，与您关注的半参数/非参数理论有方法论交叉，可作为分布自由推断与 RKHS 复杂度分析的参考。
  • 关键技术: relaxed multi-accuracy, RKHS convergence rates, group-invariant prediction, distribution-free conditional coverage, projection-based algorithm for high dimensions, sampling-based algorithm for infinite groups
  • 为什么对您有用: RKHS 函数类收敛速率与条件覆盖的函数类重构技巧，与您关注的半参数/非参数理论有交叉；群对称下放松可交换性假设的思路可迁移至高维/结构化因果推断设定中的 identification 问题。

数理统计 / 假设检验 (hypothesis_testing, 5 篇)

1. 2605.16866 — Heavy Tails and Predictive Ability Testing

  • 作者: Jonas F. Frederikse, Muneya Matsui, Rasmus S. Pedersen
  • 分类: stat.ME · econ.EM
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 在预测精度比较问题中，当损失差分序列具有无限方差（重尾）时，本文研究 Diebold-Mariano 检验统计量的渐近行为。核心发现是：在无限方差下，DM 统计量收敛到涉及非高斯稳定随机变量的非标准极限分布，导致常规临界值造成严重水平扭曲（名义 5% 检验的实际拒绝率可达 70%）。为建立该结果，作者发展了一个新的强混合无限方差时间序列的稳定极限定理。基于此理论，提出基于子抽样（sub-sampling）的推断方法，该方法无需估计长程方差或尾指数，在任意尾部厚度下均保持有效。对新兴市场汇率风险预测的实证分析表明，考虑重尾可显著改变关于预测表现的结论。对您有用：该文将假设检验推向非标准渐近（稳定吸引域），与您对 hypothesis testing 的兴趣直接相关，且子抽样方法可迁移至重尾设定下的经济/因果推断问题。
  • 关键技术: Diebold-Mariano test, stable limit theorem, strongly mixing processes, infinite-variance time series, sub-sampling inference, non-Gaussian stable distributions
  • 为什么对您有用: 直接关联您对 hypothesis testing 的兴趣——展示了标准检验在无限方差下的失效机制及非标准渐近理论（稳定极限定理），子抽样推断无需估计尾指数即可保持有效性，可迁移至重尾设定下的经济与因果推断问题。

2. 2605.16335 — Tests for constancy of model parameters Over time

  • 作者: Nils Lid Hjort, Alex J. Koning
  • 分类: stat.ME · math.ST · stat.TH
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 在正则参数模型设定下，研究模型参数随时间是否恒定的假设检验问题，零假设为参数不随时间变化。构造了典范的监测过程，证明其在零假设下收敛于独立的布朗桥，并基于此构建拟合优度统计量。进一步研究了统计量的加权版本，推导出针对特定局部替代假设具有最大局部势的最优权重函数。该大样本方法论具有统一性，适用于回归、马尔可夫链和时间序列等所有正则参数模型，并在拒绝零假设后提供了定位变化时点和类型的策略。对您有用：直接契合您在数学统计与假设检验方向的兴趣，特别是局部最优权重推导和布朗桥极限理论，且该参数稳定性检验在计量经济学时间序列中有广泛应用价值。
  • 关键技术: Brownian bridge convergence, goodness-of-fit test, optimal weight function, local power, regular parametric model
  • 为什么对您有用: 直接契合您在数学统计与假设检验方向的兴趣，特别是局部最优权重推导和布朗桥极限理论；同时参数稳定性检验是计量经济学时间序列的经典问题，对您经济理论应用方向也有参考价值。

3. 2605.17559 — Controlling False Discovery in Arbitrarily Structured Hypothesis Spaces via Reproducing Kernels

  • 作者: Binyamin Perets, Shie Mannor
  • 分类: stat.ME · cs.AI · q-bio.QM · stat.ML
  • 相关性 5/10 · novelty: new_method
  • 摘要: 在具有空间、图或层次结构的多重假设检验中，目标是控制 FDR 同时利用结构信息提升检验功效。本文将结构化 FDR 控制重新表述为 RKHS 中的正则化学习问题，通过核函数选择统一处理连续域、图和层次结构，替代先前方法的分段常数拟合。该框架给出光滑解、基于似然的超参数选择（而非启发式调参），并支持未观测位置的推断与实验设计。在此基础上提出两条决策规则，并证明其 FDR 控制保证。实证在空间转录组数据与蛋白-蛋白交互图上的差异基因表达任务中验证。对您有用：将 RKHS 非参数方法引入多重检验的思路，可为您在 hypothesis testing 与 nonparametric theory 交叉处提供新的框架参考，核正则化替代保守校正的思路也可能迁移到高维检验场景。
  • 关键技术: RKHS regularization, FDR control, kernel-based structured testing, likelihood-based hyperparameter selection, multiple hypothesis testing
  • 为什么对您有用: 直接关联您 primary interest 中的 hypothesis testing，将非参数 RKHS 理论引入多重检验框架，统一处理图/空间/层次结构的方法学思路可迁移到高维检验与 semiparametric 设定。

4. 2605.17763 — Comparing Two Categorical Gini Correlations with Applications to Classification Problems

  • 作者: Sameera Hewage, Yongli Sang
  • 分类: stat.ME · stat.ML
  • 相关性 4/10 · novelty: minor
  • 摘要: 在分类问题中，如何比较不同预测变量组对分类响应变量的依赖强度？本文基于 Dang et al. (2020) 的 categorical Gini correlation (CGC)，构建了比较两组预测变量 CGC 差异的假设检验框架，目标参数为 Δ = CGC(X₁,Y) − CGC(X₂,Y)。方法允许两组预测变量维度不等且组间存在依赖；检验统计量在原假设和对立假设下均建立 n^{−1/2}-CAN 渐近正态性，检验具有一致性。作者还提出了非参数 bootstrap 推断程序作为渐近分布的替代。CGC 本身基于二阶 U-statistic 结构，渐近方差的估计涉及投影与 Hájek decomposition。模拟及乳腺癌、人类活动识别数据集的应用验证了方法有效性。对您而言，该文在假设检验（依赖性度量比较的渐近理论）方面有参考价值，但理论新颖性有限——属于将标准 U-statistic 渐近理论应用于特定相关性度量的工作。
  • 关键技术: categorical Gini correlation, U-statistic asymptotic normality, Hajek projection, nonparametric bootstrap, predictor importance comparison
  • 为什么对您有用: 连接到您 primary interest 中的假设检验方向——比较两个依赖性度量的渐近检验框架；CGC 的二阶 U-statistic 结构与您关注的 U-statistic 理论有轻度交叉，但仅涉及标准二阶情形，非高阶。

5. 2605.18030 — A robust nonparametric test for spatial isotropy in lattice data

  • 作者: Jana Gierse, Roland Fried
  • 分类: stat.ME
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文在二维规则网格空间数据下，目标是检验变差函数的空间各向同性。方法上，对 Guan et al. (2004) 的子抽样检验进行稳健化改造，采用基于一元或多元稳健散度估计量的变差函数估计，以应对孤立或块状异常值。此外，提出块置换（block permutation）重抽样方法替代子抽样，证明其在强空间依赖下仍能控制一类错误且对异常值稳健。实证应用于 Landsat 8 卫星数据（云层导致异常块）。对您而言，本文仅在空间假设检验的稳健重抽样设计上有微弱参考，与您关注的高维检验或效率理论无直接关联。
  • 关键技术: robust variogram estimator, block permutation, spatial isotropy test, robust scatter estimation
  • 为什么对您有用: 本文属于空间统计的假设检验，虽涉及非参数检验与稳健性，但理论深度与您关注的半参数效率界或高维检验差距较大，仅作边缘了解。

统计计算 / 算法 (stat_computing, 1 篇)

1. 2605.16900 — Splitting schemes and estimators for stochastic differential equations with H\"older multiplicative noise

  • 作者: Bowen Fang, Dario Span`o, Massimiliano Tamborrino
  • 分类: stat.ME · math.ST · stat.TH
  • 相关性 4/10
  • 摘要: 本文研究具有局部Lipschitz漂移和Hölder连续乘性扩散的一维SDE的参数估计问题，estimand为漂移与扩散参数。现有方法依赖Euler-Maruyama离散化，但该格式在此类SDE下既无强收敛保证也不保持状态空间；其他近似（Gaussian近似、Hermite展开截断）则影响稳定性与计算效率。作者利用可约性与Lamperti变换对SDE进行分解，构造出Lie-Trotter (LT) 和Strang splitting格式，所得伪似然显式可算且保持状态空间，并证明强均方收敛与对步长更优的鲁棒性。进一步建立LT估计量的一致性与渐近正态性；由于伪似然中漂移与扩散参数耦合，渐近分析需要新的证明技术。模拟表明所提估计量在精度与计算效率上均优于现有方法。对您而言，splitting scheme作为数值方法在SDE推断中的系统应用，以及耦合参数下渐近正态性的新证明策略，可为统计计算方向提供可迁移的思路。

天体统计 (astrostats, 1 篇)

1. 2605.16643 — The EDGES Analysis Pipeline: Description and Validation

  • 作者: Steven G. Murray, Nivedita Mahesh, Akshatha K. Vydula, Peter Sims, Judd Bowman, Raul A. Monsalve, Alan E. E. Rogers, Rigel C. Capallo, John P. Barrett, Colin J. Lonsdale
  • 分类: astro-ph.IM · astro-ph.CO
  • 相关性 5/10 · novelty: application
  • 摘要: 本文详细描述了 EDGES 实验用于探测 Cosmic Dawn 红移 21-cm 全天平均信号的端到端校准与分析流程，核心挑战在于前景辐射与目标信号之间极大的动态对比（~4-5 个数量级），对仪器校准和数据质量控制提出了极高要求。作者首次系统梳理了此前 EDGES 数据发布所采用的精确校准方法（包括天线 S-parameter 模型、beam 修正、foreground 多项式拟合等），并将其整合为一个开源的 Python 分析与模拟工具包。论文同时公开了此前 EDGES 论文使用的原始频谱数据，供社区复现与审查。该工作本身方法学 novelty 有限（校准流程形式化而非新统计方法），但公开的数据集与可复现的分析管线对统计学家介入 21-cm 全球信号推断（如 foreground 建模不确定性量化、贝叶斯信号提取）具有入口价值。
  • 关键技术: 21-cm global signal extraction, foreground polynomial fitting, antenna S-parameter calibration, beam correction modeling, end-to-end simulation pipeline
  • 为什么对您有用: 作为 astrostats 入门阅读，公开的 EDGES 原始频谱数据与可复现管线为统计学家介入 foreground-signal 分离的推断问题（如 semiparametric foreground 建模、sensitivity analysis）提供了真实数据入口；但论文本身以仪器校准为主，统计方法 novelty 较低。

经济理论 / 应用 (econ_theory, 1 篇)

1. 2605.16703 — Designing Persuasive Experiments

  • 作者: Karun Adusumilli, Abhi Vemulapati
  • 分类: econ.EM
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究实验设计中实验者与监管者的激励错配问题，在监管者设定最低期望福利阈值的贝叶斯劝说框架下，实验者优化实验设计。该机制无需了解实验者的私有偏好或成本，并能缓解策略性贝叶斯劝说。在正态先验下，证明了按 Neyman 分配抽样始终是最优的，且该结论不依赖于实验者的具体目标函数；同时刻画了对应的最优停止规则。基于历史临床试验数据的数值研究表明，在达到相同社会福利的条件下，该框架相比经典设计可减少超过 48% 的期望样本量。对您有用：虽然核心是信息设计，但其中 Neyman 分配的最优性证明和最优停止规则的刻画，为因果推断中的实验设计（尤其是考虑福利与样本量权衡）提供了经济学视角的理论补充。
  • 关键技术: Bayesian persuasion, Neyman allocation, optimal stopping rule, welfare constraint, mechanism design for experiments
  • 为什么对您有用: 该文处于经济理论与因果推断实验设计的交叉点，其中 Neyman 分配最优性与最优停止规则的结论，为处理 RCT 中的激励错配和样本量优化提供了新视角。

其他 (other, 2 篇)

1. 2605.17052 — Asymptotic Variance Theory for Trimmed Least Squares and Trimmed Least Absolute Deviations in Censored Panel Models with Fixed Effects

  • 作者: Denis Chetverikov, Jesper R. -V. ~S{\o}rensen, Bo Honor\'e
  • 分类: econ.EM
  • 相关性 7/10
  • 摘要: 本文研究截断面板固定效应模型中 trimmed least squares (TLS) 与 trimmed least absolute deviations (TLAD) 估计量的渐近方差理论，发现 Honoré (1992) 原文发表的方差公式依赖了未完全声明的正则条件。对 TLS，原文 Hessian 公式要求回归元差分指标仅在回归元差分为零时才为零（零参数向量即违反此条件），作者推导了正确的 Hessian、在无此限制下建立渐近正态性，并证明原 Hessian 估计量恰好对正确的渐近方差一致。对 TLAD，原文方差公式遗漏了一项条件概率项，且渐近正态性需要额外的连续性条件；作者在修正条件下导出正确渐近方差，并提供无需调参的 bootstrap 方差估计量。该工作属于"修正隐含假设、补全渐近理论"类型，对您在半参数固定效应模型的 inference 理论及经济面板数据应用有直接参考价值。
  • 关键技术: trimmed least squares, trimmed least absolute deviations, censored panel fixed effects

2. 2605.18206 — A tool to determine the degrees of freedom in tree-structured varying coefficient models

  • 作者: Nikolai Spuck, Moritz Berger
  • 分类: stat.ME
  • 相关性 5/10
  • 摘要: 本文研究树结构变系数（TSVC）模型中数据驱动建模的自由度（DoF）校正问题；TSVC 模型允许协变量线性效应随 effect modifier 取值变化，通过递归分割识别交互与变系数结构。核心贡献是提出一个易于计算的 DoF 近似公式，用以修正 BIC 模型选择中"朴素 DoF=自由参数个数"的偏差，类似于 LASSO/smoothing spline 中 effective degrees of freedom 的思路。模拟表明该公式比朴素 DoF 在模型选择准确性和预测性能上更优；实证分析使用 SHARE（欧洲健康老龄化调查）数据展示方法。对您而言，该文在变系数半参数模型的 model selection 理论方面贡献有限（未涉及 influence function 或 efficiency bound），但 DoF 校正思路可迁移至其他 data-driven semiparametric 估计场景。
  • 关键技术: tree-structured varying coefficient model, effective degrees of freedom, BIC model selection

Maintained by 陈星宇 · Homepage · Source on GitHub

评论