Clustered Covariate Regression
聚类协变量回归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：摘要核心是通用高维回归与参数聚类；汽油需求应用未明确结构识别、面板或其他所列方法，故暂不归类。
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…
聚类协变量回归
- 研究问题
- 当高维回归系数既不稀疏，也不具有离散异质性时，能否在参数取值有界的条件下构造可靠估计并改善推断？
- 方法与思路
- 作者提出基于聚类的分组参数估计量，放弃参数稀疏与离散异质性限制，研究大样本性质并开展模拟及汽油需求应用。
- 材料陈述的贡献
- 摘要称 GPE 可处理稀疏与非稀疏参数，模拟中相对竞争估计量减少偏差并改善检验尺寸控制，且展示需求弹性估计应用。
- 阅读关注点
- 应核对聚类对象、分组数量与调参规则、有界参数支持和其他标准条件，以及渐近推断是否计入分组选择的不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未说明具体条件、比较方法与数值，不能断言对所有高维设计均有优势。
原文摘要
High covariate dimensionality is increasingly occurrent in model estimation, and existing techniques to address this issue typically require sparsity or discrete heterogeneity of the \emph{unobservable} parameter vector. However, neither restriction may be supported by economic theory in some empirical contexts, leading to severe bias and misleading inference. The clustering-based grouped parameter estimator (GPE) introduced in this paper drops both restrictions and maintains the natural one that the parameter support be bounded. GPE exhibits robust large sample properties under standard conditions and accommodates both sparse and non-sparse parameters whose support can be bounded away from zero. Extensive Monte Carlo simulations demonstrate the excellent performance of GPE in terms of bias reduction and size control compared to competing estimators. An empirical application of GPE to estimating price and income elasticities of demand for gasoline highlights its practical utility.