Uniform Inference in High-Dimensional Threshold Regression Models
高维门槛回归模型中的一致推断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：摘要明确扩展至依赖时间序列，并应用于军事新闻冲击对支出和 GDP 的影响。
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
高维门槛回归模型中的一致推断
- 研究问题
- 在高维门槛回归中，如何对数量增长的斜率参数开展推断，并兼容没有门槛效应与固定门槛效应、非次高斯误差及时间依赖？
- 方法与思路
- 作者先建立 Lasso 的预测与参数误差界，再去偏估计斜率并推导检验的渐近分布，同时将理论扩展至近历依赖时间序列。
- 材料陈述的贡献
- 摘要称，无门槛和固定门槛两种情形具有相同渐近分布，可据此开展一致推断，并用跨国增长及美国军事新闻冲击进行应用。
- 阅读关注点
- 应核对稀疏度、尾部与依赖条件，以及门槛估计如何影响去偏推断；重点检查一致性覆盖的参数范围和弱门槛效应的处理。
- 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；摘要未说明全部一致性条件，也未明确理论是否覆盖趋近于零的门槛效应。
原文摘要
We develop a uniform inference theory for high-dimensional slope parameters in threshold regression models, allowing for either cross-sectional or time series data. We first establish oracle inequalities for prediction errors, and L1 estimation errors for the Lasso estimator of the slope parameters and the threshold parameter, accommodating heteroskedastic non-subgaussian error terms and non-subgaussian covariates. Next, we derive the asymptotic distribution of tests involving an increasing number of slope parameters by debiasing (or desparsifying) the Lasso estimator in cases with no threshold effect and with a fixed threshold effect. We show that the asymptotic distributions in both cases are the same, allowing us to perform uniform inference without specifying whether the model is a linear or threshold regression. Additionally, we extend the theory to accommodate time series data under the near-epoch dependence assumption. Finally, we identify statistically significant factors influencing cross-country economic growth and quantify the effects of military news shocks on US government spending and GDP, while also estimating a data-driven threshold point in both applications.