Measuring Group Differences in High‐Dimensional Choices: Method and Application to Congressional Speech
高维选择中的群体差异测度：方法及国会演讲应用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。
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：摘要研究大规模选择集合中的群体选择差异，并将国会发言作为高维选择的应用，因此与离散选择方向直接相关。
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…
高维选择中的群体差异测度：方法及国会演讲应用
- 研究问题
- 当选择集合维度很高时，如何处理有限样本偏差并衡量群体差异，进而利用单次发言对党派的可辨识程度刻画国会演讲党派性？
- 方法与思路
- 作者提出采用机器学习进展的估计量以处理高维选择中的偏差，将党派性定义为由单次发言推断议员党派的容易程度，并估计长期变化。
- 材料陈述的贡献
- 摘要称，常规方法存在严重有限样本偏差；其估计显示近年国会演讲党派性更高，并在此前长期较低且稳定后于 1990 年代初迅速上升。
- 阅读关注点
- 重点核对群体差异与党派性指标的定义、机器学习估计步骤及偏差处理条件，并检查发言样本构造和跨时期可比性。
- 阅读边界
- 摘要未说明具体机器学习算法、误差量化或样本处理；结果针对文中定义的发言党派性，不能据此解释其变化的因果机制。
原文摘要
We study the problem of measuring group differences in choices when the dimensionality of the choice set is large. We show that standard approaches suffer from a severe finite‐sample bias, and we propose an estimator that applies recent advances in machine learning to address this bias. We apply this method to measure trends in the partisanship of congressional speech from 1873 to 2016, defining partisanship to be the ease with which an observer could infer a congressperson's party from a single utterance. Our estimates imply that partisanship is far greater in recent years than in the past, and that it increased sharply in the early 1990s after remaining low and relatively constant over the preceding century.