Inference for Regression with Variables Generated by AI or Machine Learning
使用人工智能或机器学习生成变量的回归推断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：摘要讨论通用生成协变量回归问题，应用为标签填补、降维与指数构造，未明确对应所列细分方向。
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…
使用人工智能或机器学习生成变量的回归推断
- 研究问题
- 将人工智能或机器学习估计的潜在变量直接作为回归协变量，何时会导致偏差和无效推断，如何修正生成变量误差？
- 方法与思路
- 作者提出显式偏差修正及相应置信区间，另以联合估计同时处理回归参数和潜在变量，并展示多种生成变量应用。
- 材料陈述的贡献
- 摘要称从理论与经验两方面说明朴素代入会产生偏差和无效推断，并提出恢复有效推断的两类方法及应用示例。
- 阅读关注点
- 应核对潜在变量及其误差的统计模型、修正所需辅助信息，以及两类方法对训练样本和回归样本关系的要求。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明误差结构、识别条件及区间有效性的具体范围。
原文摘要
Researchers now routinely use AI or other machine learning methods to estimate latent variables of economic interest, then plug-in the estimates as covariates in a regression. We show both theoretically and empirically that naively treating AI/ML-generated variables as "data" leads to biased estimates and invalid inference. To restore valid inference, we propose two methods: (1) an explicit bias correction with bias-corrected confidence intervals, and (2) joint estimation of the regression parameters and latent variables. We illustrate these ideas through applications involving label imputation, dimensionality reduction, and index construction via classification and aggregation.