Inference in Partially Linear Models under Dependent Data with Deep Neural Networks
依赖数据下使用深度神经网络的部分线性模型推断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。
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：摘要属于依赖数据下的通用半参数推断，未明确宏观时间序列、面板或因果应用。
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
依赖数据下使用深度神经网络的部分线性模型推断
- 研究问题
- 在平稳 β 混合数据下，以深度神经网络估计部分线性模型的干扰函数后，如何对有限维参数开展有效的渐近推断。
- 方法与思路
- 作者利用已有深度神经网络理论构造有限维参数估计量，在不进行样本分割的情况下分析其一致性与渐近正态性。
- 材料陈述的贡献
- 摘要称，该估计量达到根号样本量收敛速度并渐近正态，回应了机器学习方法用于依赖数据时样本分割带来的困难。
- 阅读关注点
- 应核对混合速度、神经网络估计误差与函数复杂度要求，以及避免样本分割的论证和渐近方差的实际估计方法。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；更一般的半参数推断、效率改进和工具变量扩展仅为未来计划。
原文摘要
I consider inference in a partially linear regression model under stationary $β$-mixing data after first stage deep neural network (DNN) estimation. Using the DNN results of Brown (2024), I show that the estimator for the finite dimensional parameter, constructed using DNN-estimated nuisance components, achieves $\sqrt{n}$-consistency and asymptotic normality. By avoiding sample splitting, I address one of the key challenges in applying machine learning techniques to econometric models with dependent data. In a future version of this work, I plan to extend these results to obtain general conditions for semiparametric inference after DNN estimation of nuisance components, which will allow for considerations such as more efficient estimation procedures, and instrumental variable settings.