論文の概要: Inferential Theory for Granular Instrumental Variables in High Dimensions

• arxiv url: http://arxiv.org/abs/2201.06605v1
• Date: Mon, 17 Jan 2022 19:41:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-20 06:48:47.926780
• Title: Inferential Theory for Granular Instrumental Variables in High Dimensions
• Title（参考訳）: 高次元におけるグラニュラーインストゥルメンタル変数の推論理論
• Authors: Saman Banafti and Tae-Hwy Lee
• Abstract要約: グラニュラ・インスツルメンタル・バリアーズ(GIV)手法は、要素誤差構造を持つパネルを利用して、構造時系列モデルを推定する機器を構築する。 構造パラメータの分布の制限を考慮した場合, 推定器と因子のサンプリング誤差が無視可能であることを示す。 モンテカルロの証拠は、世界の原油市場への我々の理論と応用を支持するために提示され、新たな結果をもたらす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Granular Instrumental Variables (GIV) methodology exploits panels with factor error structures to construct instruments to estimate structural time series models with endogeneity even after controlling for latent factors. We extend the GIV methodology in several dimensions. First, we extend the identification procedure to a large $N$ and large $T$ framework, which depends on the asymptotic Herfindahl index of the size distribution of $N$ cross-sectional units. Second, we treat both the factors and loadings as unknown and show that the sampling error in the estimated instrument and factors is negligible when considering the limiting distribution of the structural parameters. Third, we show that the sampling error in the high-dimensional precision matrix is negligible in our estimation algorithm. Fourth, we overidentify the structural parameters with additional constructed instruments, which leads to efficiency gains. Monte Carlo evidence is presented to support our asymptotic theory and application to the global crude oil market leads to new results.
• Abstract（参考訳）: グラニュラーインストゥルメンタル変数 (giv) の手法は、因子誤差構造を持つパネルを利用して、潜在因子の制御後も内在性を持つ構造時系列モデルの推定を行う。 我々はgiv方法論を数次元に拡張する。 まず、識別手順を大きな$N$および大きな$T$フレームワークに拡張し、これは、N$断面単位のサイズ分布の漸近的なHerfindahl指数に依存する。 第2に, パラメータと負荷の双方を未知として扱い, 構造パラメータの限定分布を考慮した場合, 推定器と要素のサンプリング誤差が無視可能であることを示す。 第3に,高次元精度行列におけるサンプリング誤差は推定アルゴリズムでは無視できることを示した。 第4に、構造パラメータを付加的な構成機器で過度に同定し、効率性の向上につながる。 モンテカルロの証拠は、我々の漸近的理論と世界の原油市場への応用を支え、新たな結果をもたらす。

関連論文リスト

• Estimation and Inference for Causal Functions with Multiway Clustered Data [6.988496457312806]
  本稿では,一般的な因果関数のクラスに対する推定法と一様推論法を提案する。 因果関数は、調整された(Neyman-orthogonal)信号の条件付き期待値として同定される。 提案手法をアフリカにおける水準と歴史的奴隷貿易の因果関係の分析に適用する。
  論文  参考訳（メタデータ） (2024-09-10T17:17:53Z)
• Noise-aware variational eigensolvers: a dissipative route for lattice gauge theories [40.772310187078475]
  量子シミュレータにおける$mathbbZ$格子ゲージ理論(LGT)の基底状態構築のための新しい変分アンザッツを提案する。 これは、完全に決定論的スキームにおける散逸的かつユニタリな操作と、考慮された格子の大きさとスケールしない回路深さを組み合わせている。 非常にわずかな変動パラメータで、アンザッツは$mathbbZ$ LGTの閉じ込められた位相と分解された位相の両方のエネルギーの精度を$>!
  論文  参考訳（メタデータ） (2023-08-07T14:23:00Z)
• BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs [77.34726150561087]
  観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。 我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。 次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
  論文  参考訳（メタデータ） (2022-01-28T09:30:32Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Adaptive Estimation and Uniform Confidence Bands for Nonparametric Structural Functions and Elasticities [2.07706336594149]
  非パラメトリックモデルにおいて、最適推定と推論のための2つのデータ駆動手法を導入する。 我々は、国際貿易の独占的競争モデルにおいて、ファーム輸出の集中的マージンの弾力性を推定する。
  論文  参考訳（メタデータ） (2021-07-25T18:46:33Z)
• Divergence Frontiers for Generative Models: Sample Complexity, Quantization Level, and Frontier Integral [58.434753643798224]
  多様性フロンティアは生成モデルの評価フレームワークとして提案されている。 分岐フロンティアのプラグイン推定器のサンプル複雑性の非漸近的境界を確立する。 また,スムーズな分布推定器の統計的性能を調べることにより,分散フロンティアの枠組みも強化する。
  論文  参考訳（メタデータ） (2021-06-15T06:26:25Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Understanding Overparameterization in Generative Adversarial Networks [56.57403335510056]
  generative adversarial network (gans) は、非凹型ミニマックス最適化問題を訓練するために用いられる。 ある理論は、グローバル最適解に対する勾配降下 (gd) の重要性を示している。 ニューラルネットワークジェネレータと線形判別器を併用した多層GANにおいて、GDAは、基礎となる非凹面min-max問題の大域的なサドル点に収束することを示す。
  論文  参考訳（メタデータ） (2021-04-12T16:23:37Z)
• Generalized Matrix Factorization: efficient algorithms for fitting generalized linear latent variable models to large data arrays [62.997667081978825]
  一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。 GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。 本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T04:28:19Z)
• Sparse representation for damage identification of structural systems [11.397437423613418]
  モデル更新とスパース損傷識別のための2段階感度解析に基づく新しいフレームワークを提案する。 次に、準$ell法上に構築されたスパース表現パイプラインを、損傷と局所化定量化のために提示する。 提案手法は, 構造損傷の局所化と定量化の両方を高精度に行うことができることを示す。
  論文  参考訳（メタデータ） (2020-06-06T18:04:35Z)

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。