A sliced Wasserstein and diffusion approach to random coefficient models
随机系数模型的切片 Wasserstein 距离与扩散方法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：摘要明确以随机系数分布估计为目标，并指出与处理效应分布估计的联系。
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
随机系数模型的切片 Wasserstein 距离与扩散方法
- 研究问题
- 在线性随机系数模型中，如何有效估计系数分布，并将分布距离方法与计算算法及处理效应分布估计联系起来？
- 方法与思路
- 作者提出结合切片 Wasserstein 距离和最近邻方法的最小距离估计量，其构造进一步导出基于扩散过程的算法。
- 材料陈述的贡献
- 摘要称该估计量能一致逼近真实分布，兼顾计算效率，并指出扩散算法及其与处理效应分布估计的联系具有独立意义。
- 阅读关注点
- 应核对随机系数分布的识别条件、最近邻与切片近似的误差，以及统计一致性和扩散算法收敛之间的区别。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明具体识别条件、收敛速率或计算优势的量化证据。
原文摘要
We propose a new minimum-distance estimator for linear random coefficient models. This estimator integrates the recently advanced sliced Wasserstein distance with the nearest neighbor methods, both of which enhance computational efficiency. We demonstrate that the proposed method is consistent in approximating the true distribution. Moreover, our formulation naturally leads to a diffusion process-based algorithm and is closely connected to treatment effect distribution estimation -- both of which are of independent interest and hold promise for broader applications.