ROBUST INFERENCE FOR CONVEX PAIRWISE DIFFERENCE ESTIMATORS
凸成对差分估计量的稳健推断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。
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：摘要研究一类通用凸估计量的带宽稳健推断，未提供足以归入所列领域细分的具体应用依据。
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…
凸成对差分估计量的稳健推断
- 研究问题
- 对于以协变量相近的观测对构造目标函数的凸成对差分估计量，如何在更宽的带宽选择范围内保持高斯近似和自助推断有效？
- 方法与思路
- 作者结合小带宽渐近理论、保留目标函数凸性的广义刀切去偏，以及修正带宽引起方差失真的新自助法构建推断程序。
- 材料陈述的贡献
- 摘要称较小带宽下仍可获得稳健高斯近似，较大带宽下可经去偏实现推断，并使自助法在较宽带宽范围内保持有效。
- 阅读关注点
- 应核对允许的带宽区间、成对统计量的方差组成、广义刀切如何保留凸性，以及去偏和自助法需要的光滑性条件。
- 阅读边界
- 仅据所给 Crossref 版本摘要，具体估计对象、带宽速率及稳健性比较标准未说明；不能断言任意带宽有效，也不能推断刊本变化。
原文摘要
This article develops distribution theory and bootstrap-based inference methods for a broad class of convex pairwise difference estimators. These estimators minimize a kernel-weighted convex-in-parameter function over observation pairs with similar covariates, where the similarity is governed by a localization (bandwidth) parameter. While classical results establish asymptotic normality under restrictive bandwidth conditions, we show that valid Gaussian and bootstrap-based inference remains possible under substantially weaker assumptions. First, we extend the theory of small-bandwidth asymptotics to convex pairwise difference estimation settings, deriving robust Gaussian approximations even when a smaller-than-standard bandwidth is used. Second, we employ a debiasing procedure based on generalized jackknifing to enable inference with larger bandwidths, while preserving convexity of the objective function. Third, we construct a novel bootstrap method that adjusts for bandwidth-induced variance distortions, yielding valid inference across a wide range of bandwidth choices. Our proposed inference method enjoys demonstrably greater robustness, while retaining the practical appeal of convex pairwise difference estimators.