Canonical correlation regression with noisy data
噪声数据下的典型相关回归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：摘要研究一般高维含噪工具变量回归，潜在因子用于描述协变量结构，缺少宏观、金融或特定因果应用的明确依据。
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
噪声数据下的典型相关回归
- 研究问题
- 当协变量和工具变量数量很多且均含噪声，两组变量各由少量可能不对齐的潜在因子驱动时，如何估计线性模型？
- 方法与思路
- 作者研究带谱正则化的两阶段最小二乘估计族，第一阶段学习协变量与工具变量之间的典型相关，第二阶段据此构造回归。
- 材料陈述的贡献
- 摘要称，作者给出估计误差的上界与下界以论证噪声数据下的最优性，并提供不同情形中选择谱正则化形式的实践指导。
- 阅读关注点
- 应核对工具变量有效性、潜在因子的对齐和强度条件、噪声结构，以及最优性采用的参数空间、误差标准和正则化选择规则。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未核实；摘要未列明误差界及其适用条件，不能判断弱工具变量等情形下的表现。
原文摘要
We study instrumental variable regression in data rich environments. The goal is to estimate a linear model from many noisy covariates and many noisy instruments. Our key assumption is that true covariates and true instruments are repetitive, though possibly different in nature; they each reflect a few underlying factors, however those underlying factors may be misaligned. We analyze a family of estimators based on two stage least squares with spectral regularization: canonical correlations between covariates and instruments are learned in the first stage, which are used as regressors in the second stage. As a theoretical contribution, we derive upper and lower bounds on estimation error, proving optimality of the method with noisy data. As a practical contribution, we provide guidance on which types of spectral regularization to use in different regimes.