.png){kind=icon}
返回
DOUBLE/DEBIASED MACHINE LEARNING FOR DYADIC DATA
.png){kind=icon}
PRE
AI
DOI：10.1017/S0266466625100273.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了在数据为配对数据时，利用机器学习进行非参数估计以估计统计模型中参数的新方法和理论。我们提出了配对交叉拟合方法，以消除任意配对依赖下的过拟合偏差。结合使用Neyman正交得分，这一新颖的交叉拟合方法能够实现根号n一致估计和推断，且对配对依赖具有稳健性。我们通过将其应用于高维网络形成模型，并重新审视自由贸易协定的决定因素，展示了其通用性。
Keyword:
POST-SELECTION INFERENCE
MODELS
期刊
E
IF:
1
论文数:
29
被引数:
0
机构
引用论文
Uniform post-selection inference for least absolute deviation regression and other Z-estimation problems.png)
Biometrika
OAAI
BiometrikaIF0
OAAI分享收藏Estimation of semiparametric models when the criterion function is not smooth准则函数不光滑时半参数模型的估计ECONOMETRICAOAAI
ECONOMETRICAIF7.1
OAAI分享收藏Estimation of possibly misspecified semiparametric conditional moment restriction models with different conditioning variables具有不同条件变量的可能错误指定的半参数条件矩限制模型的估计
PREAI
分享收藏Sieve Wald and QLR Inferences on Semi/Nonparametric Conditional Moment Models半/非参数条件矩模型上的Sieve Wald和QLR推论ECONOMETRICAOAAI
ECONOMETRICAIF7.1
OAAI分享收藏
查看更多内容