MARC

 008260126s2025        us                              c    eng  d
■001000017357086
■00520260202103129
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315705543
■035    ▼a(MiAaPQ)AAI31939229
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aLi,  Tianqi.
■24510▼aRegularized  Regression  When  Boundary  Values  Are  Possible
■260    ▼a[Sl]▼bThe  University  of  North  Carolina  at  Chapel  Hill▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a196  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Hill,  Jonathan  B.;Verdier,  Valentin.
■5021  ▼aThesis  (Ph.D.)--The  University  of  North  Carolina  at  Chapel  Hill,  2025.
■520    ▼aRegularized  estimators  have  demonstrated  outstanding  performance  across  a  wide  range  of  applications.  In  this  dissertation,  I  study  regularized  estimators  when  the  true  value  of  parameters  possibly  lies  on  the  boundary  of  some  parameter  space.  Due  to  the  boundary,  the  asymptotic  distribution  of  an  estimator  may  no  longer  be  normal.  Moreover,  regularization  can  introduce  bias  to  the  estimator,  which  can  also  interact  with  the  boundary  and  make  the  distribution  unclear.  To  understand  these  issues,  in  the  first  part  of  this  dissertation,  I  derive  the  asymptotic  distributions  of  the  ridge  regressor,  the  least  absolute  shrinkage  and  selection  operator,  and  general  regularized  M-estimators  under  constraints  and  fixed-dimensional  settings.  Since  regularization  is  often  applied  in  high-dimensional  contexts,  in  the  second  part,  I  propose  a  constraint  debiased  machine  learning  estimator  and  a  quasi-likelihood  ratio  test  for  high-dimensional  linear  models.  In  the  third  part,  I  focus  on  the  high-dimensional  random-coefficient  multinomial  logit  model,  commonly  used  to  study  discrete  choices  in  economics.  I  develop  a  regularized  maximum  likelihood  estimator  for  simultaneous  variable  selection,  and  construct  a  constrained  debiased  machine  learning  estimator  to  account  for  both  regularization  bias  and  boundary.  Finally,  I  illustrate  the  impacts  of  high-dimensional  parameters  and  boundary  in  an  empirical  application  to  soft-drink  markets  in  North  Carolina.
■590    ▼aSchool  code:  0153.
■650  4▼aStatistics
■653    ▼aBoundary
■653    ▼aDebiased  machine  learning
■653    ▼aInference
■653    ▼aLasso
■653    ▼aMixed  logit
■653    ▼aRegularization
■690    ▼a0501
■690    ▼a0800
■690    ▼a0463
■71020▼aThe  University  of  North  Carolina  at  Chapel  Hill▼bEconomics.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0153
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357086▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books