論文の概要: Adaptive Estimation and Uniform Confidence Bands for Nonparametric IV
- arxiv url: http://arxiv.org/abs/2107.11869v1
- Date: Sun, 25 Jul 2021 18:46:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-27 15:51:56.432526
- Title: Adaptive Estimation and Uniform Confidence Bands for Nonparametric IV
- Title（参考訳）: 非パラメトリックIVにおける適応推定と均一信頼帯域
- Authors: Xiaohong Chen, Timothy Christensen, Sid Kankanala
- Abstract要約: ブートストラップに基づく非パラメトリックインスツルメンタル変数(NPIV)推定器のシーブ次元の選択。
データ駆動型 UCB は、通常のアンダースムース方式によって構築された UCB と比較して効率が向上する。
本手法を用いて, ファーム輸出の集中マージンに対する非パラメトリック重力方程式を推定し, 推算する。
- 参考スコア（独自算出の注目度）: 1.4000007799304268
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce computationally simple, data-driven procedures for estimation
and inference on a structural function $h_0$ and its derivatives in
nonparametric models using instrumental variables. Our first procedure is a
bootstrap-based, data-driven choice of sieve dimension for sieve nonparametric
instrumental variables (NPIV) estimators. When implemented with this
data-driven choice, sieve NPIV estimators of $h_0$ and its derivatives are
adaptive: they converge at the best possible (i.e., minimax) sup-norm rate,
without having to know the smoothness of $h_0$, degree of endogeneity of the
regressors, or instrument strength. Our second procedure is a data-driven
approach for constructing honest and adaptive uniform confidence bands (UCBs)
for $h_0$ and its derivatives. Our data-driven UCBs guarantee coverage for
$h_0$ and its derivatives uniformly over a generic class of data-generating
processes (honesty) and contract at, or within a logarithmic factor of, the
minimax sup-norm rate (adaptivity). As such, our data-driven UCBs deliver
asymptotic efficiency gains relative to UCBs constructed via the usual approach
of undersmoothing. In addition, both our procedures apply to nonparametric
regression as a special case. We use our procedures to estimate and perform
inference on a nonparametric gravity equation for the intensive margin of firm
exports and find evidence against common parameterizations of the distribution
of unobserved firm productivity.
- Abstract（参考訳）: 本稿では,非パラメトリックモデルにおける構造関数 $h_0$ とその導関数の推定と推論のための計算的単純データ駆動手法を提案する。
最初の手順はブートストラップに基づく非パラメトリック楽器変数(NPIV)推定器のシーブ次元の選択である。
このデータ駆動選択によって実装されると、$h_0$のniv推定器とその導関数は適応的であり、それらは$h_0$の滑らかさ、レセプタの自己発生度、楽器強度を知ることなく、可能な限り(すなわちミニマックス)の超ノルムレートで収束する。
第2の手順は、真正かつ適応的な均一信頼バンド(UCB)を$h_0$で構築するためのデータ駆動型アプローチである。
データ駆動型UPBは、データ生成プロセス(正直な)の一般的なクラスと、最小極超ノルムレート(適応性)の対数係数内における契約に対して、$h_0$とそのデリバティブのカバレッジを保証します。
このように、我々のデータ駆動型UCBは、通常のアンダースムーシング手法によって構築されたUCBと比較して漸近効率が向上する。
さらに、この2つの手順は特別な場合として非パラメトリック回帰に適用される。
本手法は,非パラメトリック重力方程式を用いたファクト輸出の集中的マージンの推定と推論を行い,非オブザーブドファクト生産性分布の共通パラメータ化に対する証拠を求める。
関連論文リスト
- Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - BI-EqNO: Generalized Approximate Bayesian Inference with an Equivariant Neural Operator Framework [9.408644291433752]
一般化されたベイズ近似のための同変ニューラル演算系であるBI-EqNOを導入する。
BI-EqNOは、データ駆動トレーニングを通じて、条件付き観測データに基づいて事前を後方に変換する。
BI-EqNO の応用例は,(1) 回帰のための一般化ガウス過程 (gGP) と(2) 逐次データ同化のためのアンサンブルニューラルフィルタ (EnNF) の2つである。
論文 参考訳（メタデータ） (2024-10-21T18:39:16Z) - Distributionally Robust Optimization as a Scalable Framework to Characterize Extreme Value Distributions [22.765095010254118]
本研究の目的は分散ロバストな最適化 (DRO) 推定器の開発であり、特に多次元極値理論 (EVT) の統計量についてである。
点過程の空間における半パラメトリックな最大安定制約によって予測されるDRO推定器について検討した。
両手法は, 合成データを用いて検証し, 所定の特性を回復し, 提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2024-07-31T19:45:27Z) - Online Bootstrap Inference with Nonconvex Stochastic Gradient Descent
Estimator [0.0]
本稿では,凸問題の文脈における統計的推論のための勾配降下(SGD)の理論的性質について検討する。
多重誤差最小値を含む2つの干渉手順を提案する。
論文 参考訳（メタデータ） (2023-06-03T22:08:10Z) - Asymptotically Unbiased Instance-wise Regularized Partial AUC
Optimization: Theory and Algorithm [101.44676036551537]
One-way partial AUC (OPAUC) と Two-way partial AUC (TPAUC) はバイナリ分類器の平均性能を測定する。
既存の手法のほとんどはPAUCをほぼ最適化するしかなく、制御不能なバイアスにつながる。
本稿では,分散ロバスト最適化AUCによるPAUC問題の簡易化について述べる。
論文 参考訳（メタデータ） (2022-10-08T08:26:22Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳（メタデータ） (2021-10-24T10:23:51Z) - Projected Statistical Methods for Distributional Data on the Real Line
with the Wasserstein Metric [0.0]
本研究では,実線上の確率分布のデータセットに関する統計解析を行うための,新規な予測手法を提案する。
特に主成分分析(PCA)と回帰に重点を置いています。
モデルのいくつかの理論的性質が研究され、一貫性が証明される。
論文 参考訳（メタデータ） (2021-01-22T10:24:49Z) - Efficient Semi-Implicit Variational Inference [65.07058307271329]
効率的でスケーラブルな半単純外挿 (SIVI) を提案する。
本手法はSIVIの証拠を低勾配値の厳密な推測にマッピングする。
論文 参考訳（メタデータ） (2021-01-15T11:39:09Z) - Probabilistic Circuits for Variational Inference in Discrete Graphical
Models [101.28528515775842]
変分法による離散的グラフィカルモデルの推論は困難である。
エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。
Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。
選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
論文 参考訳（メタデータ） (2020-10-22T05:04:38Z) - Doubly Robust Semiparametric Difference-in-Differences Estimators with
High-Dimensional Data [15.27393561231633]
不均一な治療効果を推定するための2段半パラメトリック差分差分推定器を提案する。
第1段階では、確率スコアを推定するために、一般的な機械学習手法が使用できる。
第2段階ではパラメトリックパラメータと未知関数の両方の収束率を導出する。
論文 参考訳（メタデータ） (2020-09-07T15:14:29Z) - Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。
強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
論文 参考訳（メタデータ） (2020-03-05T19:56:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。