CAVIAR: Categorical-Variable Embeddings for Accurate and Robust Inference
CAVIAR：用于准确与稳健推断的类别变量嵌入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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确分析高维类别变量给因果推断带来的困难，并提出相应的降维处理。
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
CAVIAR：用于准确与稳健推断的类别变量嵌入
- 研究问题
- 类别变量水平稀疏且随样本动态变化时，传统推断为何可能失效；如何借助低维表示稳定涉及高维类别变量的因果分析？
- 方法与思路
- 作者假设高维类别变量来自潜在流形，将其嵌入低维全局坐标；映射可从结构化或非结构化数据构造，并进行理论与数值分析。
- 材料陈述的贡献
- 摘要指出稀疏、变化的类别水平可能破坏 Donsker 条件，并称所提嵌入有助于稳定估计；服装销售中的邮编变量用于展示方法。
- 阅读关注点
- 应核对潜在流形与全局坐标的构造条件、嵌入是否保留混杂调整所需信息，以及降维后推断有效性与稀有类别处理的比较。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明嵌入误差如何进入推断，也未给出稳健性的适用边界。
原文摘要
Social science research often hinges on the relationship between categorical variables and outcomes. We introduce CAVIAR, a novel method for embedding categorical variables that assume values in a high-dimensional ambient space but are sampled from an underlying manifold. Our theoretical and numerical analyses outline challenges posed by such categorical variables in causal inference. Specifically, dynamically varying and sparse levels can lead to violations of the Donsker conditions and a failure of the estimation functionals to converge to a tight Gaussian process. Traditional approaches, including the exclusion of rare categorical levels and principled variable selection models like LASSO, fall short. CAVIAR embeds the data into a lower-dimensional global coordinate system. The mapping can be derived from both structured and unstructured data, and ensures stable and robust estimates through dimensionality reduction. In a dataset of direct-to-consumer apparel sales, we illustrate how high-dimensional categorical variables, such as zip codes, can be succinctly represented, facilitating inference and analysis.