Minimax Choice of Projection Geometry under Linear Inequality Constraints
线性不等式约束下投影几何的极小极大选择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：摘要研究多种估计程序共用的约束投影决策理论，汽油需求应用未明确结构识别方法，领域细分证据不足。
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
线性不等式约束下投影几何的极小极大选择
- 研究问题
- 当抽样协方差、损失函数与投影准则对应不同几何时，如何选择施加线性不等式约束的投影方式，以控制边界风险？
- 方法与思路
- 作者在固定维度局部高斯实验和二次损失下分析投影风险，并提出在局部不增损约束下最小化最坏边界风险的几何选择。
- 材料陈述的贡献
- 摘要区分一条、两条与更多有效约束的结论，并以三条可绑定约束的反例说明逆协方差投影未必具有边界极小极大性。
- 阅读关注点
- 应核对精确边界配置与局部相关约束的定义、各最优性结论的风险范围，以及可行实施如何估计几何并满足不增损条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；结论依赖所述局部实验，摘要未交代向一般有限样本模型推广的条件。
原文摘要
Economic theory frequently implies linear inequality restrictions on parameters or functions of interest. A common way to impose such restrictions is to project an unrestricted estimator onto the feasible set. Projection estimators arise naturally from constrained least squares, instrumental variables, generalized method of moments, maximum likelihood, and related extremum procedures. When the sampling covariance, loss function, and projection criterion induce different geometries, the choice of projection geometry can substantially affect risk. We study this choice in a fixed-dimensional local Gaussian experiment under quadratic loss. At exact-boundary configurations where only one maintained inequality binds, inverse-covariance projection is pointwise optimal. When at most two inequalities are locally relevant, it weakly improves on the unrestricted estimator throughout the corresponding local experiment and is minimax over exact-boundary configurations. For an arbitrary number of inequalities, we provide a sufficient condition for boundary minimaxity, but show by counterexample that inverse-covariance projection need not be boundary minimax once three inequalities can bind. Motivated by these results, we propose selecting the projection geometry to minimize worst-case boundary risk subject to a local no-harm condition relative to unrestricted estimation. We develop a feasible implementation and study its finite-sample performance in simulations and an application to gasoline demand.