THE FACTOR-LASSO AND K-STEP BOOTSTRAP APPROACH FOR INFERENCE IN HIGH-DIMENSIONAL ECONOMIC APPLICATIONS
高维经济应用中的因子 Lasso 与 k 步 Bootstrap 推断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：摘要明确采用带个体和时间效应的线性面板模型，研究高维控制变量下的系数推断。
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
高维经济应用中的因子 Lasso 与 k 步 Bootstrap 推断
- 研究问题
- 在包含个体效应、时间效应和大量时变混杂变量的线性面板中，如何对少数关注变量的系数进行可靠推断并降低重抽样计算负担？
- 方法与思路
- 作者将混杂变量分解为共同因子与高维弱依赖扰动，假定剩余相关部分可由少数未知项表示，先提取因子再做 Lasso，并采用 k 步 bootstrap。
- 材料陈述的贡献
- 摘要称，因子提取与 Lasso 结合的推断程序具有良好渐近性质，k 步 bootstrap 渐近有效，并提供模拟证据和实证应用。
- 阅读关注点
- 应核对因子结构与剩余稀疏性条件、两阶段估计误差如何传递至目标系数，以及 k 步更新的定义和 bootstrap 有效性的要求。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体稀疏度、维度增长和依赖限制；所称混杂变量控制并不自动保证目标系数具有因果解释。
原文摘要
We consider inference about coefficients on a small number of variables of interest in a linear panel data model with additive unobserved individual and time specific effects and a large number of additional time-varying confounding variables. We suppose that, in addition to unrestricted time and individual specific effects, these confounding variables are generated by a small number of common factors and high-dimensional weakly dependent disturbances. We allow that both the factors and the disturbances are related to the outcome variable and other variables of interest. To make informative inference feasible, we impose that the contribution of the part of the confounding variables not captured by time specific effects, individual specific effects, or the common factors can be captured by a relatively small number of terms whose identities are unknown. Within this framework, we provide a convenient inferential procedure based on factor extraction followed by lasso regression and show that the procedure has good asymptotic properties. We also provide a simple k -step bootstrap procedure that may be used to construct inferential statements about the low-dimensional parameters of interest and prove its asymptotic validity. We provide simulation evidence about the performance of our procedure and illustrate its use in an empirical application.