Modelling with Sensitive Variables
使用敏感变量建模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：摘要核心是敏感数据离散化与通用线性回归，工资差距应用不足以确定所列领域细分。
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…
使用敏感变量建模
- 研究问题
- 当因变量、解释变量或两者包含敏感信息时，如何通过离散化保护数据，并保留线性模型估计所需的信息？
- 方法与思路
- 作者提出新的离散化方法及整合不同离散化方案的多重离散化方法，研究未观测变量的分布收敛与 OLS 的渐近性质。
- 材料陈述的贡献
- 摘要称模拟支持其理论结果，并在澳大利亚性别工资差距估计中，将所提方法与一种差分隐私方法进行比较。
- 阅读关注点
- 应核对隐私保护的正式定义、离散化方案如何合并、OLS 渐近结论的条件，以及与差分隐私比较时的隐私和精度口径。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未说明隐私保证强度或比较结果，不能视为已提供差分隐私保证。
原文摘要
The paper deals with models in which the dependent variable, some explanatory variables, or both represent sensitive data. We introduce a novel discretization method that preserves data privacy when working with such variables. A multiple discretization method is proposed that utilizes information from the different discretization schemes. We show convergence in distribution for the unobserved variable and derive the asymptotic properties of the OLS estimator for linear models. Monte Carlo simulation experiments presented support our theoretical findings. Finally, we contrast our method with a differential privacy method to estimate the Australian gender wage gap.