本文在双重差分模型下提出一种新的协变量平衡法估计倾向得分,进而估计受处理者的平均处理效应(The Average Treatment Effect on the Treated,ATT),该方法使控制组协变量逼近基的加权样本均值等于总体协变量逼近基的样本均值。相比于...本文在双重差分模型下提出一种新的协变量平衡法估计倾向得分,进而估计受处理者的平均处理效应(The Average Treatment Effect on the Treated,ATT),该方法使控制组协变量逼近基的加权样本均值等于总体协变量逼近基的样本均值。相比于传统估计方法,本文提出的方法有如下优势,一是,能够有效减少极端估计权重的出现,进而提升目标参数估计量的准确性和稳定性;二是,无需对倾向得分做任何函数形式假定,从而可以有效避免模型误设,且所得ATT估计量的权重自动满足归一化条件;三是,最优化函数满足严凸性且不带任何约束,从而确保解的唯一性和求解简便性。在某些正则条件下,本文证明ATT估计量具有一致性与渐近正态性,并且渐近方差可达到半参数效率的下界。此外,进一步使用蒙特卡罗模拟考察估计方法的有限样本性质,结果表明该方法具有较高的估计精度。最后,基于中国家庭追踪调查数据进行实证分析,进一步验证了精准扶贫政策的有效性。展开更多
混洗差分隐私(SDP)模型能兼顾用户端的隐私保护程度和服务器端发布结果的可用性,更适用于隐私保护的大数据收集和统计发布场景。针对目前SDP频率估计方法的洗牌效率较低和混洗过程安全性不足等问题,进行以下工作:首先,设计基于优化椭圆...混洗差分隐私(SDP)模型能兼顾用户端的隐私保护程度和服务器端发布结果的可用性,更适用于隐私保护的大数据收集和统计发布场景。针对目前SDP频率估计方法的洗牌效率较低和混洗过程安全性不足等问题,进行以下工作:首先,设计基于优化椭圆曲线的混洗差分隐私盲签名算法(SDPBSA),以实现对篡改或伪造信息的鉴别,提高混洗过程的安全性;其次,提出矩阵列重排转置(MCRT)洗牌方法,以利用随机的矩阵列重排和矩阵转置操作实现数据混洗,提高混洗过程的效率;最后,结合上述方法构建完整的SDP频率估计隐私保护框架——SM-SDP(SDP based on blind Signature and Matrix column rearrangement transposition),并通过理论分析讨论它的隐私性和误差级别。在Normal、Zipf和IPUMS(Integrated Public Use Microdata Series)等数据集上的实验结果表明,相较于Fisher-Yates、ORShuffle(Oblivious Recursive Shuffling)和MRS(Message Random Shuffling)等洗牌方法,MCRT洗牌方法的洗牌效率提升了1~2个数量级;相较于mixDUMP、PSDP(Personalized Differential Privacy in Shuffle model)和HP-SDP(Histogram Publication with SDP)等频率估计方法,SM-SDP框架在不同比例恶意数据存在时的均方误差(MSE)降低了2~11个数量级。展开更多
文摘本文在双重差分模型下提出一种新的协变量平衡法估计倾向得分,进而估计受处理者的平均处理效应(The Average Treatment Effect on the Treated,ATT),该方法使控制组协变量逼近基的加权样本均值等于总体协变量逼近基的样本均值。相比于传统估计方法,本文提出的方法有如下优势,一是,能够有效减少极端估计权重的出现,进而提升目标参数估计量的准确性和稳定性;二是,无需对倾向得分做任何函数形式假定,从而可以有效避免模型误设,且所得ATT估计量的权重自动满足归一化条件;三是,最优化函数满足严凸性且不带任何约束,从而确保解的唯一性和求解简便性。在某些正则条件下,本文证明ATT估计量具有一致性与渐近正态性,并且渐近方差可达到半参数效率的下界。此外,进一步使用蒙特卡罗模拟考察估计方法的有限样本性质,结果表明该方法具有较高的估计精度。最后,基于中国家庭追踪调查数据进行实证分析,进一步验证了精准扶贫政策的有效性。
文摘混洗差分隐私(SDP)模型能兼顾用户端的隐私保护程度和服务器端发布结果的可用性,更适用于隐私保护的大数据收集和统计发布场景。针对目前SDP频率估计方法的洗牌效率较低和混洗过程安全性不足等问题,进行以下工作:首先,设计基于优化椭圆曲线的混洗差分隐私盲签名算法(SDPBSA),以实现对篡改或伪造信息的鉴别,提高混洗过程的安全性;其次,提出矩阵列重排转置(MCRT)洗牌方法,以利用随机的矩阵列重排和矩阵转置操作实现数据混洗,提高混洗过程的效率;最后,结合上述方法构建完整的SDP频率估计隐私保护框架——SM-SDP(SDP based on blind Signature and Matrix column rearrangement transposition),并通过理论分析讨论它的隐私性和误差级别。在Normal、Zipf和IPUMS(Integrated Public Use Microdata Series)等数据集上的实验结果表明,相较于Fisher-Yates、ORShuffle(Oblivious Recursive Shuffling)和MRS(Message Random Shuffling)等洗牌方法,MCRT洗牌方法的洗牌效率提升了1~2个数量级;相较于mixDUMP、PSDP(Personalized Differential Privacy in Shuffle model)和HP-SDP(Histogram Publication with SDP)等频率估计方法,SM-SDP框架在不同比例恶意数据存在时的均方误差(MSE)降低了2~11个数量级。
文摘双基地多输入多输出(Multiple-Input Multiple-Output, MIMO)雷达阵元故障会导致三阶观测张量中出现缺失切片数据,严重影响目标角度估计性能。为此,提出一种基于原子范数的阵元故障MIMO雷达差分共阵角度估计方法。首先,对MIMO雷达三阶观测张量进行PARAFAC分解得到收发阵列的不完整因子矩阵;然后,利用收发阵列的因子矩阵分别获得发射和接收差分共阵的导向矩阵,并利用差分共阵的冗余度对故障阵元缺失数据进行填充,从而得到等效虚拟收发阵列的虚拟因子矩阵;最后,为了填补等效虚拟阵列中的空洞,分别对等效虚拟收发阵列的虚拟因子矩阵建立原子范数约束下的低秩矩阵重构模型,并将其表述为半正定规划(Semi-definite Programming, SDP)问题,利用交替方向乘子法(Alternating Direction Method of Multipliers, ADMM)求解该矩阵重构模型。仿真结果表明,所提方法可以有效重构出不完整因子矩阵中的缺失数据,从而改善MIMO雷达阵元故障下的角度估计性能。
