Automatic Inference for Value-Added Regressions
增值回归的自动有效推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究生成回归量与经验贝叶斯收缩的通用推断性质，未明确涉及所列因果、面板或结构估计等细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
增值回归的自动有效推断
- 研究问题
- 将经验贝叶斯收缩得到的增值估计用于下游回归时，系数估计和标准误是否有效？研究特别关注增值估计噪声的异方差。
- 方法与思路
- 作者分析一类经验贝叶斯估计及其下游回归性质，比较忽略和正确建模噪声异方差的收缩方法，并考察常规 OLS 标准误。
- 材料陈述的贡献
- 摘要称，正确处理噪声异方差的收缩可自动校正渐近偏差，使下游估计渐近正态且等价于使用真实潜在增值的回归。
- 阅读关注点
- 应核对经验贝叶斯估计器的适用范围、异方差如何估计，以及渐近等价和 OLS 标准误一致性分别需要哪些条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未列出完整正则条件，也未说明异方差模型误设时的稳健性。
原文摘要
A large empirical literature regresses outcomes on empirical Bayes shrinkage estimates of value-added, yet little is known about whether this approach leads to unbiased estimates and valid inference for the downstream regression coefficients. We study a general class of empirical Bayes estimators and the properties of the resulting regression coefficients. We show that estimators can be asymptotically biased and inference can be invalid if the shrinkage estimator does not account for heteroskedasticity in the noise when estimating value added. By contrast, shrinkage estimators properly constructed to model this heteroskedasticity perform an automatic bias correction: the associated regression estimator is asymptotically unbiased, asymptotically normal, and efficient in the sense that it is asymptotically equivalent to regressing on the true (latent) value-added. Further, OLS standard errors from regressing on shrinkage estimates are consistent in this case. As such, efficient inference is easy for practitioners to implement: simply regress outcomes on shrinkage estimates of value-added that account for noise heteroskedasticity.