Double instrumental variable estimation of interaction models with big data
大数据交互模型的双重工具变量估计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：摘要讨论一般矩阵因子估计与推荐系统，未明确宏观或金融应用，现有领域细分不足以准确对应其核心问题。
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…
大数据交互模型的双重工具变量估计
- 研究问题
- 面对行数与列数都很大的观测矩阵，能否以较低计算复杂度估计共同因子，并评估相对于主成分分析的统计效率？
- 方法与思路
- 作者提出同时使用行工具变量和列工具变量，通过平均方法估计因子，并与主成分分析比较复杂度和统计效率。
- 材料陈述的贡献
- 摘要称双重工具变量方法可一致估计因子，并可用于推荐系统，形成新的协同过滤方法；未给出效率比较的具体结论。
- 阅读关注点
- 应核对行列工具变量的构造与有效性条件、因子的归一化、一致性要求，以及复杂度和效率比较所用的评价标准。
- 阅读边界
- 仅据所给出版社摘要，无法判断工具变量是否容易获得，也不能声称该方法全面优于主成分分析；具体理论条件未说明。
原文摘要
The factor analysis of a (n,m) matrix of observations Y is based on the joint spectral decomposition of the matrix squares YY′ and Y′Y for Principal Component Analysis (PCA). For very large matrix dimensions n and m, this approach has a high level of numerical complexity. The big data feature suggests new estimation methods with a smaller degree of numerical complexity. The double Instrumental Variable (IV) approach uses row and column instruments to estimate consistently the factors via an averaging method. We compare the double IV approach to PCA in terms of numerical complexity and statistical efficiency. The double IV approach can be used for the analysis of recommender systems and provides a new collaborative filtering approach.