.png){kind=icon}
返回
Uniform Inference on High-Dimensional Spatial Panel Networks
.png){kind=icon}
OA
AI
DOI：10.1080/07350015.2025.2530122.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出采用一种高维广义矩估计（GMM）方法，通过正则化进行维度缩减，并随后进行去偏以校正收缩偏差（称为去偏正则化估计量），用于大规模空间面板网络上的推断。具体而言，网络结构采用了一种灵活的稀疏偏差进行估计，该偏差可被视为潜在成分或预定义邻接矩阵的误设，其估计使用了去偏机器学习方法。理论分析建立了我们提出估计量的一致性和渐近正态性，同时考虑了数据生成过程中固有的广义时空依赖性。本研究的主要贡献是发展了一种统一的推断理论，该理论能够对网络结构中的零或非零元素等感兴趣参数进行假设检验。此外，我们还推导了该估计量在线性和非线性矩下的渐近性质。模拟结果表明我们提出的方法具有优越的性能。最后，我们将该方法应用于研究股票收益的空间网络效应。
Keyword:
Debiased machine learning
GMM
High-dimensional time series
Network analysis
Spatial panel data
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
J
IF:
2.5
论文数:
119
被引数:
0
机构
引用论文
Dynamic Spatial Panel Models: Networks, Common Shocks, and Sequential Exogeneity.png)
ECONOMETRICAOAAI
ECONOMETRICAIF7.1
OAAI分享收藏Uniform post-selection inference for least absolute deviation regression and other Z-estimation problemsBiometrikaOAAI
BiometrikaIF0
OAAI分享收藏
分享收藏
查看更多内容