Simple and reliable estimators of coefficients of interest in a model with high-dimensional confounding effects
高维混杂效应模型中目标系数的简便估计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：摘要明确以处理效应为目标参数例子，并讨论潜在控制变量遗漏造成的混杂偏差。
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…
高维混杂效应模型中目标系数的简便估计
- 研究问题
- 当研究仅关心处理效应等低维参数，而大量潜在控制变量既可能造成遗漏偏差又会降低估计效率时，如何估计目标系数？
- 方法与思路
- 作者以潜在控制变量的主成分生成辅助回归量，推导允许依赖、异质性及控制维度增长的极限性质，并用信息准则选择成分数。
- 材料陈述的贡献
- 摘要称该估计量易于计算，并建立其极限性质；有限样本实验采用一维搜索选择主成分，结果提示其具有小样本实用性。
- 阅读关注点
- 应核对主成分控制如何处理混杂、目标参数所需识别条件、维度增长限制，以及信息准则停止规则对偏差和效率的影响。
- 阅读边界
- 摘要以处理效应为例，但未说明因果识别假设；不能仅凭主成分压缩认定混杂已被消除，也不能判断其普遍优于其他方法。
原文摘要
Often an investigator is interested in a single parameter or low-dimensional parameter vector (e.g. a treatment effect) in a regression model, rather than in the full set of regression coefficients. There may also be a relatively high-dimensional set of potential explanatory variables other than the effect of interest which, if omitted, could bias the estimate of the parameter of interest. However there may be too many such variables to include all of them without substantial efficiency loss. We suggest a simple, easily computed estimator for this case, using principal components to compute auxiliary regressors from the set of potential controls, and establish the limit properties of the estimator allowing for dependence and heterogeneity as well as increasing dimension of the set of controls. We also provide finite-sample evidence on the performance of the estimator where principal components are selected in a one-dimensional search using an appropriate information criterion as stopping rule for the number of components. The results suggest that the estimator has practical usefulness in small samples.