Provably Auditing Ordinary Least Squares in Low Dimensions
低维普通最小二乘回归的可证明稳定性审计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：摘要研究通用 OLS 的算法稳定性，未提供足以归入所列具体经济计量领域的依据。
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
低维普通最小二乘回归的可证明稳定性审计
- 研究问题
- 最少删除多少样本会使 OLS 某个系数改变符号，如何在协变量维度固定、样本较多时为这种全局稳定性提供计算保证？
- 方法与思路
- 作者针对该样本删除稳定性指标的分数版本构造高效算法，在低维情形提供可证明估计，并以波士顿住房数据展示。
- 材料陈述的贡献
- 摘要称算法能够给出贪心启发式缺乏的稳定性保证，实例展示更紧的估计及删除多数样本后仍保持符号的稳定性认证。
- 阅读关注点
- 读全文时应核对分数版本与实际删样本问题的关系、算法复杂度、近似保证的条件，以及稳定性上下界的具体含义。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；保证针对低维及分数版本，摘要不足以判断向高维的推广。
原文摘要
Measuring the stability of conclusions derived from Ordinary Least Squares linear regression is critically important, but most metrics either only measure local stability (i.e. against infinitesimal changes in the data), or are only interpretable under statistical assumptions. Recent work proposes a simple, global, finite-sample stability metric: the minimum number of samples that need to be removed so that rerunning the analysis overturns the conclusion, specifically meaning that the sign of a particular coefficient of the estimated regressor changes. However, besides the trivial exponential-time algorithm, the only approach for computing this metric is a greedy heuristic that lacks provable guarantees under reasonable, verifiable assumptions; the heuristic provides a loose upper bound on the stability and also cannot certify lower bounds on it. We show that in the low-dimensional regime where the number of covariates is a constant but the number of samples is large, there are efficient algorithms for provably estimating (a fractional version of) this metric. Applying our algorithms to the Boston Housing dataset, we exhibit regression analyses where we can estimate the stability up to a factor of $3$ better than the greedy heuristic, and analyses where we can certify stability to dropping even a majority of the samples.