Inference in high-dimensional regression models without the exact or $L^p$ sparsity
无需精确稀疏或 Lp 稀疏条件的高维回归推断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：摘要明确以智利企业面板开展生产分析；通用高维回归与工具变量推断本身不足以进一步归类。
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…
无需精确稀疏或 Lp 稀疏条件的高维回归推断
- 研究问题
- 在高维回归及高维工具变量回归中，如何不依赖精确稀疏或 Lp 稀疏条件，对低维参数子向量进行推断？
- 方法与思路
- 作者结合正交贪婪算法、高维 Akaike 信息准则与双重或去偏机器学习，利用根号 N 渐近正态性构造推断。
- 材料陈述的贡献
- 摘要称推断无需上述两类稀疏条件，模拟中尤其在较不稀疏模型下优于所比较方法，并展示智利企业面板的生产分析。
- 阅读关注点
- 应核对替代稀疏条件的参数衰减或复杂度限制、工具变量有效性、模型选择步骤，以及模拟比较的设计与调参公平性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。无需两类稀疏条件不表示无需其他限制；摘要未列明完整条件。
原文摘要
This paper proposes a new method of inference in high-dimensional regression models and high-dimensional IV regression models. Estimation is based on a combined use of the orthogonal greedy algorithm, high-dimensional Akaike information criterion, and double/debiased machine learning. The method of inference for any low-dimensional subvector of high-dimensional parameters is based on a root-$N$ asymptotic normality, which is shown to hold without requiring the exact sparsity condition or the $L^p$ sparsity condition. Simulation studies demonstrate superior finite-sample performance of this proposed method over those based on the LASSO or the random forest, especially under less sparse models. We illustrate an application to production analysis with a panel of Chilean firms.