Linear Regression Beyond Covariance: Latent Slope Spectra from Higher-Order Cumulants
超越协方差的线性回归：高阶累积量中的潜在斜率谱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：摘要聚焦高阶累积量与潜在斜率谱的识别、检测和估计理论，未涉及因果推断、面板、离散选择、时间序列或金融等具体领域细分，故不选择任何领域。
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
超越协方差的线性回归：高阶累积量中的潜在斜率谱
- 研究问题
- 摘要研究当可观测回归变量由与响应有不同线性关系的潜在成分构成时，最小二乘的二阶信息是否会平均掉这些不同效应，以及高阶混合累积量能否提供额外的线性信息来分离这些潜在成分。
- 方法与思路
- 作者提出潜在斜率谱的形式化框架，指出普通最小二乘是该谱的方差加权重心；在标量单混杂模型中用四阶累积量通过2×2线性系统与二次方程识别无序对{β,β+γ}，并在正则分离下建立估计与根号n推断，进而推广到多元回归中的二次张量递推检验。
- 材料陈述的贡献
- 摘要称结果区分了潜在线性异质性的表示、识别、检测与估计：在退化附近检测与估计分离，斜率重数在n^{-1/4}局部尺度上仍可检测；多元回归中二次张量递推可检验一个还是多个有效系数向量，无需识别向量本身，且该诊断可在高阶累积量一阶限制恰好抵消的方向上保留信号。
- 阅读关注点
- 应核对潜在斜率谱的精确定义与可识别条件、正则分离假设的具体形式、四阶累积量识别无序对的推导与唯一性、根号n推断所需的矩与正则性条件、n^{-1/4}局部检测结论的适用范围，以及二次张量递推检验在原假设与备择下的渐近性质。
- 阅读边界
- 摘要未说明具体数据、模拟设计、有限样本表现与实证应用；作者也明确指出现测数据下结构与因果解释的局限。该文为arXiv预印本，未经同行评审或期刊接收验证，上述结论仅为摘要陈述。
原文摘要
Least squares summarizes the joint distribution of a response and regressor through second-order information. When an observed regressor is composed of latent components carrying different relationships with the response, this summary can average over distinct linear effects. We study the additional linear information contained in higher-order mixed cumulants and formalize it through the latent slope spectrum. Ordinary least squares is a variance-weighted barycenter of this spectrum, whereas higher-order cumulants can separate its components when the spectrum is sufficiently parsimonious. In the scalar one-confounder model, fourth-order cumulants identify the unordered pair $\{β,β+γ\}$ through a $2\times2$ linear system and a quadratic equation. We develop estimation and root-$n$ inference under regular separation and show that detection and estimation diverge near degeneracy: slope multiplicity remains detectable on an $n^{-1/4}$ local scale even when the individual slopes are not uniformly regularly estimable. In multiple regression, a quadratic tensor recurrence yields a test of one versus multiple effective coefficient vectors that does not require the vectors themselves to be identified; multiplicity can therefore be consistently detectable even when the recurrence operator is noninjective. The same quadratic diagnostic can retain signal in directions where a first-order higher-cumulant restriction cancels exactly. The results distinguish representation, identification, detection, and estimation of latent linear heterogeneity, while making explicit the limits of structural and causal interpretation from observational data alone.