A General M-estimation Theory in Semi-Supervised Framework
半监督框架下的一般 M 估计理论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：摘要讨论通用半监督 M 估计理论，没有明确对应所列经济计量细分领域的研究对象。
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
半监督框架下的一般 M 估计理论
- 研究问题
- 在少量有标签数据与大量无标签数据并存时，如何利用无标签样本改善一般目标参数的估计效率，并构造可实施的统计推断？
- 方法与思路
- 作者利用投影技术构造半监督 M 估计量，推导平衡两类数据贡献的最优权重，并提出基于 K 折交叉验证的推断程序。
- 材料陈述的贡献
- 摘要称，方法具有一致性和渐近正态性，渐近效率优于对应监督估计，并提供模拟及洛杉矶无家可归者数据应用。
- 阅读关注点
- 应核对无标签数据提供信息的机制、投影与权重的估计条件，以及交叉验证如何进入方差估计和渐近推断。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明效率提升的具体条件、幅度及两类样本的分布关系。
原文摘要
We study a class of general M-estimators in the semi-supervised setting, wherein the data are typically a combination of a relatively small labeled dataset and large amounts of unlabeled data. A new estimator, which efficiently uses the useful information contained in the unlabeled data, is proposed via a projection technique. We prove consistency and asymptotic normality, and provide an inference procedure based on K-fold cross-validation. The optimal weights are derived to balance the contributions of the labeled and unlabeled data. It is shown that the proposed method, by taking advantage of the unlabeled data, produces asymptotically more efficient estimation of the target parameters than the supervised counterpart. Supportive numerical evidence is shown in simulation studies. Applications are illustrated in analysis of the homeless data in Los Angeles. Supplementary materials for this article are available online.