High-Dimensional Econometrics and Regularized GMM
高维计量经济学与正则化广义矩方法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：摘要覆盖通用高维估计与广义矩理论，线性回归和工具变量只是示例，未明确给定细分领域的具体研究对象。
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…
高维计量经济学与正则化广义矩方法
- 研究问题
- 当未知参数数量相对样本量不可忽略时，如何组织高维估计、分布近似、多重检验及广义矩模型的推断理论？
- 方法与思路
- 本章先在估计量可表示为近似均值的框架下回顾核心理论，再转向高维最小距离和广义矩估计，并讨论线性模型实例。
- 材料陈述的贡献
- 摘要将贡献表述为系统呈现高维中心极限定理、自助法、适度偏差、多重检验及正则化广义矩估计的关键概念和结果。
- 阅读关注点
- 应核对近似均值表示的误差控制、正则化与推断的衔接，并区分族错误率和错误发现率控制所需的不同条件。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核实；这是章节性综述，摘要不足以区分各项既有理论与新增结果。
原文摘要
This chapter presents key concepts and theoretical results for analyzing estimation and inference in high-dimensional models. High-dimensional models are characterized by having a number of unknown parameters that is not vanishingly small relative to the sample size. We first present results in a framework where estimators of parameters of interest may be represented directly as approximate means. Within this context, we review fundamental results including high-dimensional central limit theorems, bootstrap approximation of high-dimensional limit distributions, and moderate deviation theory. We also review key concepts underlying inference when many parameters are of interest such as multiple testing with family-wise error rate or false discovery rate control. We then turn to a general high-dimensional minimum distance framework with a special focus on generalized method of moments problems where we present results for estimation and inference about model parameters. The presented results cover a wide array of econometric applications, and we discuss several leading special cases including high-dimensional linear regression and linear instrumental variables models to illustrate the general results.