Online inference under over-parameterized models with hidden confounders
存在隐藏混杂时过参数化模型的在线推断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：摘要直接以隐藏混杂偏差及其消除为研究对象，但未明确回归系数的因果解释条件。
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…
存在隐藏混杂时过参数化模型的在线推断
- 研究问题
- 在存在隐藏混杂且数据持续到达时，如何在线估计回归系数并开展推断，且刻画样本量跨越预测变量数时的方差变化？
- 方法与思路
- 作者提出适用于流数据的闭式估计量，利用随机矩阵理论分析系数估计方差的相变，并考察单个系数推断与多重检验。
- 材料陈述的贡献
- 摘要称该估计量可消除隐藏混杂偏差，增加协变量对方差影响较小；作者以模拟和两个真实数据集检验方法表现。
- 阅读关注点
- 应核对隐藏混杂的结构、偏差消除和方差结论所需条件、在线更新方式，以及单系数与多重检验的有效性依据。
- 阅读边界
- 仅据Crossref在线优先发表版本摘要。摘要未说明识别条件、数据集或数值结果，不能无条件认定偏差消除，也不能推断回归系数的因果解释。
原文摘要
Abstract In this paper, we study online estimation and inference of regression coefficients in the presence of hidden confounders by leveraging over-parameterized models. Unlike existing offline approaches that rely on factor and sparse models, our closed-form estimator simultaneously removes hidden-confounder bias and is directly applicable to streaming data. Using tools from random matrix theory, we analyse phase transition phenomena in the variance of the coefficient estimator that arise as the sample size transitions from being smaller than to larger than the number of predictors. Notably, we show that adding more covariates only slightly affects the estimator’s variance, mitigating concerns about variance inflation in over-parameterized settings. We validate the effectiveness of our method for both individual coefficient inference and multiple testing through simulations and applications to two real datasets.