Inference for low-rank models
低秩模型的统计推断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：摘要明确将因子模型和异质处理效应纳入框架，并给出处理效应应用的条件。
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…
低秩模型的统计推断
- 研究问题
- 当线性模型的高维参数矩阵可由尖峰低秩矩阵近似时，如何对潜在结构和相关参数进行有效的渐近推断？
- 方法与思路
- 作者先进行核范数惩罚估计，再实施两次普通最小二乘回归，利用特征向量非相干框架与旋转论证处理特征空间估计。
- 材料陈述的贡献
- 摘要称，该程序提供渐近正态推断并达到半参数效率界，框架涵盖多种潜变量模型，且给出强依赖处理分配下的应用条件。
- 阅读关注点
- 应核对低秩近似误差、秩增长与奇异值要求、非相干条件，以及具体推断目标和强依赖处理分配下的底层条件。
- 阅读边界
- 仅据所给OpenAlex摘要；效率结论的目标参数、完整条件和依赖限制未说明，不能推广到任意低秩矩阵或任意处理分配，也不推断版本变化。
原文摘要
This paper studies inference in linear models with a high-dimensional parameter matrix that can be well approximated by a “spiked low-rank matrix.” A spiked low-rank matrix has rank that grows slowly compared to its dimensions and nonzero singular values that diverge to infinity. We show that this framework covers a broad class of models of latent variables, which can accommodate matrix completion problems, factor models, varying coefficient models and heterogeneous treatment effects. For inference, we apply a procedure that relies on an initial nuclear-norm penalized estimation step followed by two ordinary least squares regressions. We consider the framework of estimating incoherent eigenvectors and use a rotation argument to argue that the eigenspace estimation is asymptotically unbiased. Using this framework, we show that our procedure provides asymptotically normal inference and achieves the semiparametric efficiency bound. We illustrate our framework by providing low-level conditions for its application in a treatment effects context where treatment assignment might be strongly dependent.