Uniformly Valid Inference Under Interactive and High-Dimensional Constraints
交互与高维约束下的一致有效推断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：摘要的一般推断理论未限定领域，但明确以面板数据的网络估计为应用，因此选择面板数据与网络方向。
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
交互与高维约束下的一致有效推断
- 研究问题
- 极值估计的真实参数位于或接近参数空间边界，且干扰参数可能高维时，如何避免常规正态近似失效并统一控制检验尺寸？
- 方法与思路
- 作者利用边界附近仍渐近正态的准无约束估计量，扩展可处理的约束类型和高维干扰参数情形，并构造三类经典检验的变体。
- 材料陈述的贡献
- 摘要称，只要初始约束估计足够准确，Wald、似然比和拉格朗日乘数检验的变体可一致控制尺寸，并应用于面板数据网络估计。
- 阅读关注点
- 应核对允许的约束形式、初始估计精度要求、高维干扰参数的处理，以及一致尺寸控制覆盖的参数集合和网络应用设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明精度门槛、维度增长条件和具体约束，不能理解为任意边界问题均适用。
原文摘要
Asymptotic normality approximations often fail to hold for extremum estimators when the true value of the parameter is at or close to the boundary of a parameter space. I analyze and develop tests using a quasi-unconstrained estimator, which is asymptotically normal even when the true parameter vector is near or at the boundary. These results generalize previous work with this estimator by allowing for more types of constraints and showing how the method can naturally be modified when a nuisance parameter is also high-dimensional. I show that variations of Wald, Likelihood Ratio, and Lagrange Multiplier tests can control size in a uniform sense, provided the initial constrained estimator is sufficiently accurate. Lastly, I apply the method to an application involving network estimation with panel data.