Statistical inference for the low dimensional parameters of linear regression models in the presence of high-dimensional data: An orthogonal projection approach
高维线性回归中低维参数推断的正交投影方法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。
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：摘要属于通用高维回归理论，未明确涉及所列因果、面板或其他应用细分。
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
高维线性回归中低维参数推断的正交投影方法
- 研究问题
- 当协变量维度随样本量增长时，如何在严格或近似稀疏条件下，对低维目标参数进行计算简便且便于推导的估计与推断？
- 方法与思路
- 作者提出一步正交投影方法，允许高维部分为线性或非线性函数，并通过模拟和应用与双重或去偏估计方法比较有限样本表现。
- 材料陈述的贡献
- 摘要称，该方法实施简单，可避免两阶段估计常见的复杂正则化偏差问题；摘要仅说明进行了比较，未报告统一的性能优势。
- 阅读关注点
- 应核对正交投影的构造、稀疏性与维度增长要求、非线性函数处理方式，以及标准误推导和与去偏方法比较时的共同设定。
- 阅读边界
- 仅依据所给出版社摘要；具体识别条件、收敛速度、应用数据和比较数值未说明，不能据此认定该方法普遍优于去偏估计。
原文摘要
We consider the estimation and statistical inference for low dimensional parameters for a regression model with covariates whose dimension increases with sample size. We suggest a computationally simple one stage orthogonal projection approach to estimate the low dimensional parameters under strict or approximate sparsity conditions. The orthogonal projection approach is simple to implement and the inference for the low dimensional parameters is straightforward to derive whether the high dimensional function is linear or nonlinear. It also avoids the complicated regularization bias issues commonly associated with two stage estimation methods. Monte Carlo simulations and empirical applications are also conducted to investigate the finite sample performance of the proposed estimator vs the double/debiased estimator of Belloni et al. (2014) and Chernozhukov et al. (2018).