The Fragility of Sparsity
稀疏性的脆弱性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：摘要讨论通用线性回归的稀疏假设与表示敏感性，未提供所列应用领域的直接依据。
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…
稀疏性的脆弱性
- 研究问题
- 依赖稀疏性假设的线性回归估计，是否会对不改变 OLS 结果的回归变量表示敏感，又能否通过与 OLS 比较检验稀疏性？
- 方法与思路
- 作者在三个实证应用中改变回归变量矩阵的等价表示，并构造两种比较稀疏估计与 OLS 的检验，以评估假设和推断稳定性。
- 材料陈述的贡献
- 摘要称，表示变化可使稀疏估计移动至少两个标准误，检验在三项应用中倾向拒绝稀疏性，并指出部分维度情形下 OLS 更稳健。
- 阅读关注点
- 应核对表示变化为何保持 OLS 不变、两种检验的原假设及适用条件，以及稳健性和效率比较如何随变量数与样本量变化。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明三个应用与检验细节，不能把其结论推广到所有高维回归。
原文摘要
We show, using three empirical applications, that linear regression estimates predicated on the assumption of sparsity are fragile in two ways. First, we document that different choices of the regressor matrix which do not impact ordinary least squares (OLS) estimates, such as the choice of baseline category with categorical controls, can move sparsity-based estimates by two standard errors or more. Second, we develop two tests of the sparsity assumption by comparing sparsity-based estimators with OLS. The tests tend to reject the sparsity assumption in all three applications. Unless the number of regressors is comparable to or exceeds the sample size, OLS yields more robust inference at little efficiency cost.