Estimating high dimensional monotone index models by iterative convex optimization
通过迭代凸优化估计高维单调指标模型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：摘要明确指出单调指标模型包含离散选择模型；其余讨论为一般半参数估计，未提供更多细分方向的直接依据。
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…
通过迭代凸优化估计高维单调指标模型
- 研究问题
- 对于包含离散选择、非参数变换与持续时间模型的单调指标模型，如何在解释变量较多时缓解传统秩估计的计算困难？
- 方法与思路
- 作者提出结合核估计或筛估计的批量梯度下降方法，迭代中的关键步骤采用严格凸目标函数，并利用其收缩映射性质。
- 材料陈述的贡献
- 摘要称方法适用于维度增长的半参数单调指标模型，研究了估计量的渐近性质，且不要求采用参数化分布假设。
- 阅读关注点
- 应核对指标参数的规范化与识别、收缩映射成立的条件，以及维度增长、非参数调参和迭代误差如何共同影响估计。
- 阅读边界
- 仅据所给 RePEc 出版社摘要；具体收敛速率、初始化要求和计算比较未说明，严格凸的关键步骤不等于整个问题全局凸。
原文摘要
In this paper we propose new approaches to estimating large dimensional monotone index models. This class of models has been popular in the applied and theoretical econometrics literatures as it includes discrete choice, nonparametric transformation, and duration models. A main advantage of our approach is computational. For instance, rank estimation procedures such as those proposed in [13] and [7] that optimize a nonsmooth, nonconvex objective function are difficult to use with more than a few regressors, which limits their use with economic data sets. For such monotone index models with increasing dimension, we propose to use a new class of estimators based on batched gradient descent (BGD) involving nonparametric methods such as kernel estimation or sieve estimation, and study their asymptotic properties. The algorithm uses an iterative procedure where the key step exploits a strictly convex objective function, resulting in contraction map. A contribution of our approach is that our model is large dimensional and semiparametric so does not require the use of parametric distributional assumptions.