Misspecification Analysis of High-Dimensional Random Effects Models for Estimation of Signal-to-Noise Ratios
高维随机效应模型信噪比估计的误设定分析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：摘要聚焦高维随机效应模型的误设定与信噪比估计的渐近理论，属于高维统计与计量理论，未直接对应所提供的微观、宏观或金融领域细分，故留空。
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
高维随机效应模型信噪比估计的误设定分析
- 研究问题
- 摘要研究在高维线性模型中，基于同质高斯随机效应模型的最大似然估计量在模型误设定下的表现，即当真实回归系数与噪声分布偏离同质高斯假设时，信噪比估计量是否仍一致并具有渐近正态性。
- 方法与思路
- 作者在各向同性随机设计、独立对称次高斯设计下，允许固定稠密系数向量与独立中心异方差有限矩噪声（含适度重尾），推导信噪比MLE的一致性与渐近正态性；并以相关高斯噪声作为基准给出平行结果，渐近方差依赖极限纵横比、真实信噪比与噪声平方波动参数。
- 材料陈述的贡献
- 摘要称建立了误设定下信噪比MLE的一致性与中心极限结果，给出显式渐近方差形式，并在独立噪声下针对异质高斯噪声与同质非高斯噪声两种情形构造可行的插入式置信区间；数值模拟比较似然法与矩法置信区间，并用高维文本特征做实证校准展示。
- 阅读关注点
- 阅读全文时应核对：次高斯设计与有限矩噪声的具体假设、重尾程度条件、渐近方差中波动参数的识别与估计方式、插入式区间所需第四矩条件、模拟中似然法与矩法的比较设置，以及实证数据与校准结论是否支持摘要陈述。
- 阅读边界
- 摘要未说明有限样本性质、假设不可检验时的稳健性、非独立或非对称设计下的表现，也未给出具体数值结果；该文为arXiv预印本，同行评审与期刊接收状态未经验证，不能据此声称已获评审认可。
原文摘要
Estimation of signal-to-noise ratios and residual variances in high-dimensional linear models has various important applications, including heritability estimation in bioinformatics. One widely used estimator is the Gaussian random-effects maximum likelihood estimator (MLE), based on the likelihood of the homogeneous Gaussian random-effects model in which both the regression coefficients and the noise variables are assumed to be i.i.d. Gaussian. This paper studies the behavior of this likelihood estimator under model misspecification. For isotropic random designs with independent, symmetric, sub-Gaussian entries, we establish consistency and asymptotic normality of the SNR MLE for fixed dense coefficient vectors and independent, centered, heteroscedastic finite-moment noise, allowing moderately heavy-tailed errors. We also give parallel consistency and central limit results for correlated Gaussian noise as a benchmark. The asymptotic variance depends on the limiting aspect ratio, the true SNR, and a scalar noise-square fluctuation parameter. This explicit form yields feasible plug-in confidence intervals under independent noise in two cases where the fluctuation parameter can be estimated from response fourth moments: heterogeneous Gaussian noise and homogeneous non-Gaussian noise. Numerical simulations compare likelihood-based and method-of-moments confidence intervals under heterogeneous and non-Gaussian noise, and a real-data illustration demonstrates the resulting calibrations on high-dimensional text features.