Entity Ranking with Covariates and Sparse Intrinsic Scores
结合协变量与稀疏内在得分的实体排序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。
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：摘要以 Bradley-Terry-Luce 偏好比较模型为基础开展排序估计，与离散选择建模直接相关。
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
结合协变量与稀疏内在得分的实体排序
- 研究问题
- 当实体偏好得分只能部分由协变量解释，剩余内在得分具有稀疏性时，如何识别和估计排序模型，并对排名及模型拟合开展推断？
- 方法与思路
- 作者扩展 Bradley-Terry-Luce 模型，加入协变量与稀疏个体内在得分，研究惩罚极大似然估计，并构造去偏估计量。
- 材料陈述的贡献
- 摘要称，研究提出模型识别条件，分析估计速率与去偏估计量分布，并提供无潜在内在得分模型的拟合优度检验和排名置信区间。
- 阅读关注点
- 应核对协变量效应与内在得分的可分离条件、稀疏性和比较数据结构要求，以及去偏推断与排名置信区间的覆盖保证。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；具体识别条件、比较机制及置信区间构造未说明，数值研究不能据此量化方法优势或推断刊本变化。
原文摘要
This paper addresses the item ranking problem with associated covariates, focusing on scenarios where the preference scores can not be fully explained by covariates, and the remaining intrinsic scores are sparse. Specifically, we extend the pioneering Bradley-Terry-Luce (BTL) model by incorporating covariate information and considering sparse individual intrinsic scores. Our work introduces novel model identification conditions and examines the statistical rates of the regularized penalized Maximum Likelihood Estimator (MLE). We then construct a debiased estimator for the penalized MLE and analyze its distributional properties. Additionally, we apply our method to the goodness-of-fit test for models with no latent intrinsic scores, namely, the covariates fully explaining the preference scores of individual items. We also offer confidence intervals for ranks. Our numerical studies lend further support to our theoretical findings, demonstrating validation for our proposed method.