Graphon Estimation in bipartite graphs with observable edge labels and unobservable node labels
CREST（经济与统计研究中心）；CNRS（法国国家科学研究中心）；Institut Polytechnique de Paris（巴黎理工学院）
本文针对二分图中可观测边标签与不可观测节点标签的图估计问题，提出最小二乘估计器与指数加权聚合器，并给出有限样本风险界，同时改编Lloyd算法以近似求解，实验验证其性能。
2023-09-04 cs.LG math.ST stat.TH
Oracle inequalities for network models and sparse graphon estimation
非齐次随机图模型包括随机块模型、潜在位置模型等多种网络模型。我们考虑的问题的统计估计的连接概率矩阵的观测值的基础上的邻接矩阵的网络。以随机块模型为近似，我们构造了网络连接概率的估计--普通块常数最小二乘估计及其限制形式。我们证明了它们满足关于块常数oracle的oracle不等式。因此，我们得到的概率矩阵的估计的最佳速率。我们的结果涵盖了稀疏网络的重要设置。另一个后果是建立上界的极小极大风险的graphon估计的$L\_2$规范时，概率矩阵的采样根据graphon模型。这些界限包括一个额外的术语占的“不可知”的错误引起的潜在的不可观测变量的graphon模型的变化。在这种情况下，最优速率不仅像通常的非参数问题那样受到偏差和方差分量的影响，而且还包括第三个分量，即不可知误差。结果揭示了经验损失下的估计（概率矩阵估计）和综合损失下的估计（graphon估计）之间的差异。
2017-09-13 math.ST stat.TH
Entropy of Exchangeable Random Graphs
本文提出一套 graphon 熵估计器以量化可交换随机图的复杂度，建立其收敛速率与中心极限定理，并通过仿真和实际应用验证其有效性。
2025-03-13 cs.IT math.CO math.IT
On the Estimation of Network Complexity: Dimension of Graphons
Laboratoire de Mathématiques d’Orsay（奥赛数学实验室）；Université Paris-Saclay（巴黎萨克雷大学）
网络复杂性的研究已经有半个多世纪的历史，并得到了广泛的应用。已经开发了许多方法来表征和估计网络的复杂性。然而，很少有统计保证的研究。在本文中，我们开发了一个一般模型的随机图，所谓的graphon模型的图的复杂性的统计理论。给定一个图子，我们赋予节点的潜在空间以邻域距离，该距离度量两个节点与相似节点连接的倾向。然后，我们的复杂性指数基于这个度量空间（的纯化版本）的覆盖数和Minkowski维数。虽然潜在空间是不可识别的，但这些指标是可识别的。这个复杂性的概念在随机图的流行例子中有简单的解释：它匹配随机块模型中的社区数量;随机几何图中欧氏空间的维数;霍德尔图子模型中链接函数的正则性。从一个单一的观察图，我们构建了一个估计的邻域距离，并显示其风险的普遍非渐近界，匹配极大极小下界。基于这个估计的距离，我们计算相应的覆盖数和Minkowski维数，我们提供了这两个插件估计的最佳非渐近误差界。
2021-01-12 cs.LG cs.SI math.ST
Sampling and Estimation for (Sparse) Exchangeable Graphs
$\mathbb{R}_+$上的稀疏可交换图以及用于稀疏图的相关graphex框架，推广了$\mathbb{N}$上的可交换图以及用于密集图的相关graphon框架。我们开发的graphex框架作为统计网络分析的工具，通过确定的抽样方案，自然与模型的框架，并通过引入一个一般一致的估计这些模型的参数（graphex）。采样方案是独立顶点采样的修改，丢弃在采样子图中孤立的顶点。估计量是经验图子估计量的扩张，经验图子估计量被认为是稠密可交换图的一致估计量;两者都可以被理解为i.i.d.中经验分布的图形模拟。序列设置。我们的结果可以被看作是一个概括的一致性估计，通过经验graphon从密集的图形制度，也包括稀疏的图形。
2016-11-02 cs.SI math.CO math.ST
Asymptotic Analysis of Statistical Estimators related to MultiGraphex Processes under Misspecification
本文在模型错误设定下研究源自MultiGraphex过程的统计估计量的渐近性质，在弱假设下将参数估计极限与真实稀疏性常数关联，并证明贝叶斯后验渐近正态性。
2022-05-25 math.ST stat.TH
Consistent nonparametric estimation for heavy-tailed sparse graphs
我们研究了图子作为随机块模型的非参数推广，并展示了如何在这个框架下获得稀疏网络的紧表示估计。我们的算法和分析在几个方面超越了以前的工作。首先，我们放松了生成图子的有界性假设，转而处理任意可积图子，这样我们就可以处理度分布中具有长尾的网络。其次，再次激发现实世界中的应用，我们放松通常的假设，即graphon定义在单位区间，允许潜在的位置图，其中潜在的位置生活在一个更一般的空间，我们表征这些graphon和他们的底层位置空间的可识别性。我们分析了三种算法。首先是一个最小二乘算法，它给出了一个近似，我们证明是一致的所有平方可积的graphons，与最好的随机块模型近似生成graphon方面表示的错误。接下来，我们分析一个基于割范数的推广，它适用于任何可积图子（不一定是平方可积的）。最后，我们表明，基于度的聚类工作时，底层的度分布是无原子的。与前两个算法不同，第三个算法在多项式时间内运行。
2016-02-24 math.PR math.ST stat.TH
Quantifying Multivariate Graph Dependencies: Theory and Estimation for Multiplex Graphs
本文针对多层图提出多元信息测度理论，包括图on互信息、交互信息及O-信息，首次量化图协同与冗余，并给出非参数估计器及收敛速率，经模拟和实际数据验证，为复杂网络分析奠基。
2024-05-23 cs.IT math.CO math.IT
Beyond Degree: Rooted Motif Signatures for Latent Position Identifiability in Graphon Models
Sorbonne Université（索邦大学）；Université Paris Cité（巴黎西岱大学）；CNRS（法国国家科学研究中心）；Laboratoire de Probabilités, Statistique et Modélisation（概率、统计与建模实验室）；MIA AgroParisTech（农业巴黎高等师范学院数学与信息科学研究所）；INRAE（法国国家农业、食品与环境研究院）；Université Paris-Saclay（巴黎萨克雷大学）
针对图模型潜在位置不可识别问题，提出根植模体签名作为高阶节点表示，证明在有限秩图模型中能区分连接性，并给出统计估计与浓度界。
2026-07-03 math.ST stat.TH
Parameter estimation for graphon-interacting particle systems from discrete observations
Universitat Pompeu Fabra（庞佩法布拉大学）；Barcelona School of Economics（巴塞罗那经济学院）；University of Padova（帕多瓦大学）
本文针对图论加权平均场框架下异质粒子系统，提出基于伪似然的对比函数，在离散观测下联合估计漂移和扩散系数，证明估计量的一致性和渐近正态性。
2026-09-21 math.PR math.ST stat.TH
Graphon Hawkes Processes: Sparse Estimation and Network Recovery
University of Amsterdam（阿姆斯特丹大学）；Eurandom, Eindhoven University of Technology（埃因霍温理工大学 Eurandom）；CentER, Tilburg University（蒂尔堡大学 CentER）；Mathematical Institute, Leiden University（莱顿大学数学研究所）；Korteweg-de Vries Institute for Mathematics, University of Amsterdam（阿姆斯特丹大学柯特韦格-德弗里斯数学研究所）；Amsterdam Business School, University of Amsterdam（阿姆斯特丹大学阿姆斯特丹商学院）
针对连续空间域Hawkes过程的交互结构学习问题，基于Graphon框架提出稀疏惩罚最小二乘估计器，通过正交基展开建模，可一致恢复潜在交互网络，在模拟与181万事件的神经元数据中验证了有效性。
2026-10-14 math.ST stat.TH
Random Graph Asymptotics for Treatment Effect Estimation under Network Interference
因果推理的网络干扰模型将所有实验单元放置在无向暴露图的顶点处，使得分配给一个单元的治疗可能影响另一个单元的结果，当且仅当这两个单元通过边缘连接时。这个模型最近得到普及的手段，将干扰效应纳入内曼-鲁宾潜在的结果框架，和几位作者已经考虑估计各种因果目标，包括直接和间接的治疗效果。在本文中，我们考虑大样本渐近网络干扰下的治疗效果估计的设置中的暴露图是一个随机绘制的graphon。当目标的直接影响，我们表明-在我们的设置-流行的估计是相当准确的比现有的结果表明，并提供了一个中心极限定理的时刻的graphon。同时，当针对间接效应时，我们利用生成假设在目前没有其他一致估计量的情况下提出一致估计量。我们还展示了我们的研究结果如何用于对随机研究推断对潜在干扰效应的敏感性进行实际评估。总体而言，我们的研究结果突出了随机图渐近在理解网络干扰下因果推理的实用性和局限性方面的承诺。
2022-03-16 math.ST stat.TH
Consistency of Spectral Seriation
考虑根据如下的\textit{graphon} $w \, : \, [0,1]^{2} \mapsto [0,1]$构造的大小为$N$的随机图$G$。首先将$N$顶点$V = \{v_1, v_2, \ldots, v_N\}$嵌入到区间$[0,1]$中，然后对每个$i < j$以概率$w(v_{i}, v_{j})$在$v_{i}, v_{j}$之间添加一条边。仅给定图的邻接矩阵，如果$w$满足[Janssen 2019]中引入的以下\textit{linear embedding}性质，则我们可能期望能够近似重建$v_{σ(1)} < \ldots < v_{σ(N)}$的置换$σ$：对于每个$x$，$w(x,y)$随着$y$远离$x$而减小。对于一个大的和非参数族的图子，我们表明，（i）流行的谱序列化算法[阿特金斯1998]提供了一个一致的估计$\hatσ$的$σ$，和（ii）少量的后处理结果在一个估计$\tildeσ$，收敛到$σ$在一个接近最佳的速度，都作为$N \rightarrow \infty$。
2021-12-08 math.ST stat.CO stat.TH
Hybrid of node and link communities for graphon estimation
针对网络生成机制建模的分辨率限制问题，提出结合节点与链接社区的 stochastic shape model 进行 graphon 估计，通过多分辨率权衡偏差与方差实现速率最优，提供更简约可解释的多尺度网络结构表示。
2024-01-10 math.PR math.ST stat.ME
An iterative hard thresholding estimator for low rank matrix recovery with explicit limiting distribution
我们考虑随机噪声高维背景下的低秩矩阵恢复问题。我们提出了一种新的估计的低秩矩阵，基于迭代硬阈值方法，这是计算效率和简单。我们证明了我们的估计是有效的，无论是在Frobenius风险，并在条目明智的风险一致的任何变化的规范正交基。这个结果允许我们，在设计是高斯的情况下，提供的估计，这是非常感兴趣的低维子集的条目的低秩矩阵的构造测试和置信度集的限制分布。
2016-03-01 math.ST stat.TH
TrIM: Transformed Iterative Mondrian Forests for Gradient-based Dimension Reduction and High-Dimensional Regression
California Institute of Technology（加州理工学院）；University of Toronto（多伦多大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；University of Pennsylvania（宾夕法尼亚大学）
提出一种计算高效的梯度线性降维和高维回归算法，通过Mondrian森林估计期望梯度外积矩阵，并迭代更新特征和权重以提升回归性能，理论保证一致性。
2026-06-16 math.ST stat.ML stat.TH
Iterative Feature Selection In Least Square Regression Estimation
在本文中，我们专注于回归估计在归纳和转导的情况下。我们假设给定了一组特征（可以是函数的基，但不一定）。首先，我们给出了一个偏差不等式的风险估计在每个模型定义使用一个单一的功能。这些模型太简单了，本身是有用的，但我们然后展示了这个结果如何激励一个迭代算法，执行特征选择，以建立一个合适的估计。我们证明，每个选定的功能，实际上提高了估计的性能。我们首先在归纳的情况下给出所有的估计量和结果，这需要知道设计的分布，然后在转导的情况下，我们不需要知道这个分布。
2008-04-10 math.ST stat.TH
Imprecise Monte Carlo simulation and iterative importance sampling for the estimation of lower previsions
我们开发了一个理论框架，研究数值估计较低的预测，一般适用于两级蒙特卡罗方法，重要性抽样方法，以及广泛的其他抽样方法之一可能会设计。我们将这些估计的一致性链接到Glivenko-Cantelli类，对于亚高斯的情况，我们展示了如何使用此过程的相关结构来约束偏差并证明一致性。我们还提出了一个新的上估计，它可以与标准的下估计一起使用，以提供一个简单的置信区间。作为这个框架的一个案例研究，我们然后讨论如何利用重要性抽样提供准确的数值估计较低的预测。我们提出了一种迭代的重要性抽样方法，以大大提高性能的不精确重要性抽样。我们证明了我们的结果不精确的Dirichlet模型。
2018-06-27 math.PR math.ST stat.CO
Rigorous Guarantees for Tyler's M-estimator via quantum expansion
估计椭圆分布的形状是统计学中的一个基本问题。形状矩阵的一个估计，泰勒的M-估计，已被证明有许多吸引人的渐近性质。它在数值实验中表现良好，并且可以通过简单的迭代过程在实践中快速计算。尽管多年来的估计已被研究的统计社区，既没有一个严格的非渐近界的估计率，也没有证明迭代过程收敛于多项式的许多步骤。在这里，我们观察到一个令人惊讶的连接泰勒的M-估计和运营商标度，这已被深入研究，在最近几年的部分原因是它的连接到Brascamp-Lieb不等式分析。我们使用这种连接，再加上新的结果，量子扩展，表明泰勒的M-估计的最佳速率对数的因素的维度，并在生成模型的迭代过程中，即使没有正则化的线性收敛速度。
2021-09-14 cs.DS math.ST stat.TH
Nearly minimax robust estimator of the mean vector by iterative spectral dimension reduction
CEREMADE（CEREMADE（巴黎多芬大学-PSL大学））；Université Paris Dauphine - PSL（巴黎多芬大学-PSL大学）；CREST；ENSAE（法国国家统计与经济管理学院）；IP Paris（巴黎综合理工学院联盟）
研究了次高斯分布下均值向量的稳健估计问题。我们介绍了一种基于谱降维（SDR）的估计器，并建立了一个有限样本上界，其误差是最小最大最优的对数因子。此外，我们证明了SDR估计的击穿点等于$1/2$，击穿点的最高可能值。此外，SDR估计器通过相似变换是等变的，并且具有低的计算复杂性。更准确地说，在$n$维向量为$p$的情况下--最多$\varepsilon n$被逆向破坏--SDR估计器具有$\big(\frac{r_Σ}{n} + \varepsilon^2\log(1/\varepsilon)\big){\log p}$阶的平方误差和$p^3 + n p^2$阶的运行时间。这里，$r_Σ\le p$是参考分布的协方差阵的有效秩。SDR估计器的另一个优点是它不需要污染率的知识，也不涉及样本分割。我们还研究了所提出的算法和所获得的结果的情况下（部分）未知的协方差阵的扩展。
2022-04-05 cs.LG math.ST stat.TH
A Statistical view of Iterative Methods for Linear Inverse Problems
在这篇文章中，我们研究的问题恢复的未知解的线性不适定问题，通过迭代正则化方法。我们从统计的角度来回顾投影正则化的问题。本文的一个基本目的是考虑确定正则化参数的自适应模型选择。本文介绍了一种新的正则化估计器，它具有最好的适应性能，为广泛的线性泛函。我们得到了估计量的均方误差的非渐近上界，并给出了最优收敛速度。
2005-04-04 math.ST stat.TH
Uncertainty quantification for iterative algorithms in linear models with application to early stopping
Rutgers University（罗格斯大学）
本文研究了高维线性回归中迭代算法的不确定性量化，提出了适用于GD和FISTA等方法的泛化误差新型估计量，并证明了其一致性，进而应用于早停选择与置信区间构建。
2024-04-27 cs.LG math.ST stat.CO
The Kaplan-Meier estimator as a limit function of Efron's self-consistency iterations
University of Leipzig（莱比锡大学）
本文针对Efron提出的自洽迭代算法，证明其可逼近Kaplan--Meier估计量这一不动点的收敛性，明确该估计量是迭代的极限函数。
2026-07-31 math.ST stat.TH
Motif Estimation via Subgraph Sampling: The Fourth Moment Phenomenon
本文提出了一个在子图采样模型下对网络模体进行统计推断的框架，推导了Horvitz-Thompson估计量一致性与渐近正态性的充要条件，揭示了第四矩现象，并确定了多种图系综中的精确阈值。
2024-12-21 math.CO math.PR math.ST
One-step Local M-estimator for Integrated Jump-Diffusion Models
本文采用鲁棒非参数估计代替局部线性估计，对积分跳扩散模型中的无穷小系数进行估计，以避免异常值对精度的影响。此外，考虑到局部M-估计解迭代的复杂性，我们提出了一步局部M-估计，以减轻计算负担。在适当的正则性条件下，证明了一步局部M-估计与完全迭代M-估计在相合性和渐近正态性方面具有相同的性能。通过仿真，我们的方法在减少偏差，鲁棒性和降低计算成本的优势。最后，通过股票指数在不同采样频率下的实证分析，说明了估计量的有效性。
2018-06-24 math.ST stat.TH
Iterative Maximum Likelihood on Networks
我们考虑n个代理商位于一个连通图的顶点上。每个代理v接收信号X_v（0）~N（s，1），其中s是未知量。估计s的自然迭代方法是执行以下过程。在迭代t + 1，设X_v（t + 1）是X_v（t）和X_w（t）在v的所有邻居w中的平均值。本文考虑了简单迭代平均的一种变体，它模拟了智能体的“贪婪”行为。在迭代t，每个代理v向其所有邻居声明其估计量X_v（t）的值。然后，它通过取s的最大似然（或最小方差）估计来更新X_v（t + 1），给定V的所有邻居w的X_v（t）和X_w（t），以及图的结构。我们给出了计算X_v（t）的一个显式有效方法，研究了当t趋于无穷大时该方法的收敛性，并证明了如果极限存在，则它对所有v和w都是相同的。对于在传递群作用下对称的图，我们证明了这个过程是有效的。最后，我们表明，贪婪的过程是在某些情况下比简单的平均更有效，而在其他情况下，反之亦然，所以，在这个模型中，“贪婪”的个人代理可能会或可能不会产生不利影响的结果。这里讨论的模型可以被视为贝叶斯经济学中研究的模型的最大似然版本。ML变体更容易获得，并且特别允许显示使用代理网络的估计器的效率中的对称性的重要性。
2009-05-04 math.ST stat.TH
Optimal Iterative Threshold-Kernel Estimation of Jump Diffusion Processes
在本文中，我们提出了一种新的阈值核跳跃检测方法的跳跃扩散过程，迭代应用阈值和核方法在一个近似最优的方式，以实现改进的有限样本性能。我们使用的跳跃错误分类的期望数量作为目标函数，以最佳选择的门限参数的跳跃检测方案。我们证明了目标函数是拟凸的，并得到了一个新的封闭形式的最优阈值的二阶填充逼近。近似最优阈值不仅取决于现货波动率，而且还取决于跳跃强度和原点处的跳跃密度值。然后开发这些量的估计方法，其中现货波动率由具有阈值的核估计器估计，并且在原点处的跳变密度的值由密度核估计器估计，所述密度核估计器应用于被认为包含跳变的那些增量由所选择的阈值标准估计。由于模型参数和近似最优估计之间的相互依赖性，建立估计他们，一种类型的迭代不动点算法来实现它们。一个典型的随机波动模型的仿真研究表明，它不仅是可行的，实施高阶局部最优阈值计划，但这是优于那些只基于一阶近似和/或在估计时间段内的参数的平均值。
2020-04-04 econ.EM math.ST q-fin.ST
LASSO, Iterative Feature Selection and the Correlation Selector: Oracle Inequalities and Numerical Performances
本文提出了一类二次损失回归估计的一般算法。我们的算法能够选择相关的功能到一个大的字典。我们证明了很多已经研究过的算法（LASSO和组LASSO，Dantzig选择器，迭代特征选择等）属于我们的家族，并展示了这个家族的另一个特殊成员，我们称之为相关性。使用我们的家庭的算法的一般属性，我们证明了预言不等式IFS，LASSO和相关性，并比较这些估计的数值性能的玩具的例子。
2008-11-25 math.ST stat.TH
Low-Rank Matrix Estimation From Rank-One Projections by Unlifted Convex Optimization
Georgia Institute of Technology（佐治亚理工学院）；The Ohio State University（俄亥俄州立大学）
研究了从秩一投影中恢复低秩矩阵的凸估计。使用初始估计的目标$d_1\times d_2$矩阵的秩- $r$的因素，估计承认一个实用的次梯度法操作的空间尺寸$r(d_1+d_2)$。这个属性使得估计显着更具可扩展性比基于提升和半定规划的凸估计。此外，我们提出了一个精简的分析下，真正的高斯测量模型，以及部分去随机化的测量模型，通过使用球形$t$设计的精确恢复。我们表明，在这两个模型的估计成功，具有很高的概率，如果测量的数量超过$r^2 (d_1+d_2)$一些对数因子。这个样本的复杂性改善了现有的非凸迭代算法的结果。
2021-01-10 cs.LG math.ST stat.ML
One-Step Estimation With Scaled Proximal Methods
我们研究使用迭代最优化方法计算的统计估计量，这些方法在完成之前不会运行。经典的极大似然估计（MLE）的结果断言，一步估计（OSE），其中一个单一的Newton-Raphson迭代是从一个具有某些性质的起点执行，是渐近等价于MLE。我们进一步发展这些早期停止的结果，通过推导一步估计的性质定义的一个单一的迭代缩放的邻近方法。我们的主要结果表明，渐近等价的似然为基础的估计和各种一步估计定义的尺度邻近方法。通过将OSE解释为一系列迭代的最后一个，我们的结果提供了对缩放数值公差与样本量的见解。我们的设置包含缩放的近端梯度下降适用于某些复合模型作为一个特例，使我们的结果适用于许多实际问题。此外，我们的结果通过将缩放近端下降解释为应用于缩放莫罗包络的拟牛顿法，为缩放莫罗包络作为统计平滑器的实用性提供了支持。
2021-06-24 math.OC math.ST stat.CO
Iterative Isotonic Regression
本文介绍一种新的非参数估计方法，用于估计一元有界变差有界变回归函数。该方法利用了若尔当分解，该分解指出有界变差函数可以分解为非减函数和非增函数之和。这建议将用于估计加性函数的后拟合算法与用于估计单调函数的保序回归相结合。由此产生的迭代算法被称为迭代保序回归（I.I.R.）。本文的主要技术结果是一致性的建议估计时，迭代次数$k_n$增长适当的样本量$n$。证明需要两个辅助的结果，是感兴趣的和本身：首先，我们推广了著名的一致性性质的保序回归的非单调回归函数的框架，其次，我们将回拟合算法的冯诺依曼算法在凸分析。
2013-03-18 math.ST stat.TH
A Sieve Stochastic Gradient Descent Estimator for Online Nonparametric Regression in Sobolev ellipsoids
回归的目标是恢复一个未知的潜在函数，该函数将一组预测因子与噪声观测的结果最好地联系起来。在非参数回归中，假设回归函数属于预先指定的无限维函数空间（假设空间）。在在线设置中，当观测值以流的形式出现时，计算上优选迭代地更新估计值，而不是重复地重新调整整个模型。受非参数筛法估计和随机逼近方法的启发，当假设空间为Sobolev椭球时，提出了一种筛法随机梯度下降估计（Sieve-SGD）.我们证明了Sieve-SGD在一组简单而直接的条件下具有速率最优均方误差（MSE）。所提出的估计可以构建一个低的计算（时间和空间）费用：我们还正式表明，Sieve-SGD需要几乎最小的内存使用所有统计率最优估计。
2022-01-06 math.ST stat.ME stat.TH
Single-Index Model-Assisted Estimation In Survey Sampling
研究了有限总体估计的模型辅助半参数方法，通过引入多元辅助信息来提高调查估计量的精度。提出的超总体模型是一个单指标模型，已被证明是一个简单而有效的半参数工具，在多元回归。提出了一类基于多项式样条回归的估计量。这些估计是强大的对单指数模型的偏差。在标准设计条件下，所提出的估计量是渐近设计无偏的、相合的和渐近正态的。提供了迭代优化例程，其对于用户来说足够快以在数秒内分析大型且复杂的勘测数据。该方法已被应用于模拟数据集和MU281数据集，这提供了强有力的证据，证实了渐近理论。
2008-12-31 math.ST stat.ME stat.TH
Robust Penalized Estimators for High--Dimensional Generalized Linear Models
本文针对高维广义线性模型提出一种惩罚变换M估计量，证明其一致性与渐近正态性，并设计迭代重加权最小二乘算法及确定性初始化程序，通过模拟和真实数据验证了方法的稳健性。
2025-07-07 math.ST stat.ME stat.TH
Optimal estimation for regression discontinuity design with binary outcomes
Tohoku University（东北大学）；Hitotsubashi University（一桥大学）；The University of Wisconsin--Madison（威斯康星大学麦迪逊分校）
本文提出了一种针对二元结果回归不连续设计的有限样本最优估计方法，通过凸优化解决最小最大均方误差问题，并提供无需大样本近似的有效推断程序。
2025-12-26 econ.EM math.ST stat.ME
