Information theoretic approach to high‐dimensional multiplicative models: Stochastic discount factor and treatment effect
高维乘法模型的信息论方法：随机贴现因子与处理效应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：摘要明确将随机贴现因子的资产定价应用与处理效应分析作为主要例子，直接支持资产定价和因果推断分类。
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
高维乘法模型的信息论方法：随机贴现因子与处理效应
- 研究问题
- 当潜在权重函数满足可能高维的乘法矩条件时，如何估计其泛函，并用于随机贴现因子、缺失数据和处理效应问题？
- 方法与思路
- 作者结合信息论方法与 ℓ1 惩罚，在稀疏性条件下估计潜在权重函数并处理高维矩条件，同时研究所提方法的渐近性质。
- 材料陈述的贡献
- 摘要提出统一的潜在权重函数估计思路，给出处理效应分析的理论示例和随机贴现因子估计的实证示例，但未报告量化比较结果。
- 阅读关注点
- 应核对乘法矩条件与权重泛函的定义、稀疏性针对的对象、信息论目标和惩罚选择，以及处理效应与资产定价应用的识别依据。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体矩条件、稀疏度和渐近结论未说明，不能据此断言有限样本优势或适用于任意权重模型及版本。
原文摘要
This paper is concerned with estimation of functionals of a latent weight function that satisfies possibly high‐dimensional multiplicative moment conditions. Main examples are functionals of stochastic discount factors in asset pricing, missing data problems, and treatment effects. We propose to estimate the latent weight function by an information theoretic approach combined with the ℓ 1 ‐penalization technique to deal with high‐dimensional moment conditions under sparsity. We study asymptotic properties of the proposed method and illustrate it by a theoretical example on treatment effect analysis and empirical example on estimation of stochastic discount factors.