Gaussian Approximation for High-Dimensional Weighted and Two-Sample $U$-statistics with Size-Dependent Kernels
样本量依赖核的高维加权与双样本 U 统计量高斯近似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：摘要核心是通用高维统计近似，多弱工具变量仅为应用之一，证据不足以确定所列经济学领域细分。
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…
关注这篇论文的作者
样本量依赖核的高维加权与双样本 U 统计量高斯近似
- 研究问题
- 在独立但非同分布抽样下，如何统一处理核随样本量变化的高维加权与双样本统计量，并覆盖退化及非退化情形？
- 方法与思路
- 作者对二阶 U、V 统计量向量建立高斯近似与最大不等式，且不要求 Hoeffding 分解中的任一部分占主导。
- 材料陈述的贡献
- 摘要称，结果适用于多种高维估计与检验；在多弱工具变量应用中，增长条件可恢复固定维度要求至对数因子差异。
- 阅读关注点
- 应核对核的矩条件、维度与样本量增长约束、近似误差衡量方式，以及两部分均不可忽略时协方差如何处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未给出具体误差界和增长条件，不能据此认定所有列举应用均可直接使用。
原文摘要
We develop Gaussian approximations for high-dimensional vectors formed by second-order $U$-and $V$-statistics whose kernels depend on sample size. To accommodate weighted and two-sample $U$-and $V$-statistics within a unified framework, we establish our results under independent but not identically distributed (i.n.i.d.) sampling. The resulting theorems apply to a broad range of problems, including estimation in linear regression models with many covariates or many-weak instruments, variance component analysis with growing ranks, smoothed two-sample testing, and inference for separately exchangeable arrays, among others. Our results do not require either component of the Hoeffding decomposition to dominate, thereby covering both non-degenerate and degenerate regimes. In addition, we develop maximal inequalities for high-dimensional $U$-statistics with size-dependent kernels under the i.n.i.d.~setting, in a form that remains sharp across a broad range of applications, which may be of independent interest. Finally, applications to estimation and testing with many weak instrumental variables demonstrate that, our results are sharp enough to recover the corresponding fixed-dimensional rate conditions up to logarithmic factors.