Uniform Inference on High-dimensional Spatial Panel Networks
高维空间面板网络的一致有效推断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。
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：摘要明确以空间面板数据估计网络结构，并对网络联系和空间互动参数开展推断。
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…
高维空间面板网络的一致有效推断
- 研究问题
- 在大型空间面板网络中，预设邻接矩阵可能遗漏稀疏联系，且数据存在时空依赖；如何估计网络结构并对多个参数进行有效检验？
- 方法与思路
- 作者先用正则化高维 GMM 降维，再去偏校正收缩偏差，并允许网络结构包含相对预设邻接矩阵的稀疏潜在或错设成分。
- 材料陈述的贡献
- 摘要称建立了考虑时空依赖的一致性、渐近正态性及一致推断理论，覆盖线性与非线性矩，并用于检验网络边和分析股票收益空间效应。
- 阅读关注点
- 应核对稀疏偏离与原邻接结构如何区分、矩条件及去偏步骤、时空依赖限制，以及多参数推断和网络边检验的具体范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列出维度、稀疏度及依赖条件，也未给出模拟优势幅度或应用效应量。
原文摘要
We propose employing a high-dimensional generalized method of moments (GMM) estimator, regularized for dimension reduction and subsequently debiased to correct for shrinkage bias (referred to as a debiased-regularized estimator), for inference on large-scale spatial panel networks. In particular, the network structure, which incorporates a flexible sparse deviation that can be regarded either as a latent component or as a misspecification of a predetermined adjacency matrix, is estimated using a debiased machine learning approach. The theoretical analysis establishes the consistency and asymptotic normality of our proposed estimator, taking into account general temporal and spatial dependencies inherent in the data-generating processes. A primary contribution of our study is the development of a uniform inference theory, which enables hypothesis testing on the parameters of interest, including zero or non-zero elements in the network structure. Additionally, the asymptotic properties of the estimator are derived for both linear and nonlinear moments. Simulations demonstrate the superior performance of our proposed approach. Finally, we apply our methodology to investigate the spatial network effects of stock returns.