Precision Least Squares: Estimation and Inference in High-Dimensions
精度矩阵最小二乘：高维估计与推断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。
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：摘要明确研究平稳时间序列回归，并估计全球银行股票收益之间的预测联系。
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
精度矩阵最小二乘：高维估计与推断
- 研究问题
- 如何将最小二乘表示为精度矩阵的函数，并利用精度矩阵估计在平稳时间序列和高维稀疏回归中进行估计与推断？
- 方法与思路
- 作者定义满足特定条件的精度矩阵插件估计器类，并提出 LASSO Cholesky 精度矩阵估计及偏差修正，形成高维 PrLS 方法。
- 材料陈述的贡献
- 摘要称该估计器类具有近似高斯性、效率和渐近家族错误率控制；有限样本比较及全球银行收益预测网络应用展示其表现。
- 阅读关注点
- 应核对插件估计器的无偏与一致条件、效率的比较标准、家族错误率控制机制，以及 Cholesky 稀疏结构和偏差修正。
- 阅读边界
- 解读限于所给 OpenAlex 摘要；摘要未说明具体条件、比较数值和网络构造，危机年份预测联系减少不能直接解释为因果联系消失。
原文摘要
The least squares estimator can be cast as depending only on the precision matrix of the data, similar to the weights of a global minimum variance portfolio. We give conditions under which any plug-in precision matrix estimator produces an unbiased and consistent least squares estimator for stationary time series regressions, in both low- and high-dimensional settings. Such conditions define a class of “Precision Least Squares” (PrLS) estimators, which are shown to be approximately Gaussian, efficient, and to provide automatic family-wise error control in large samples. For estimating high-dimensional sparse regression models, we propose a LASSO Cholesky estimator of the plug-in precision matrix. We show its consistency and how to properly bias correct it, thereby obtaining a LASSO Cholesky-based PrLS (LC-PrLS) estimator. LC-PrLS performs well in finite samples and better than state-of-the-art high-dimensional estimators. We employ LC-PrLS to investigate the dynamic network of predictive connections among a large set of global bank stock returns. We find that crisis years correspond to a collapse of predictive linkages.