我们研究当回归变量是潜在的，并且仅通过多种噪声测量观察到的线性回归问题。这在人工智能的职业暴露测量中尤为严重，因为不同的测量得分可能导致下游估计相差高达十一倍。对任何单一测量的回归只能恢复源特定的系数，而非结构系数。我们通过要求共识测量函数为线性来修正潜在尺度，并将剩余的曲率异质性相对于斜率进行约束。
在此约束下，结构系数位于一个以对称跨源估计量为中心的封闭区间内。该区间对未知源负荷不变，其半宽度在曲率约束的二阶范围内，并且对同一阶数是尖锐的。通过至少四个测量值，可以通过拆分工具辅助回归从源的联合分布中估计该界限，同时，Imbens-Manski置信区间与Stoye临界值在曲率类上实现均匀覆盖，包括在点识别边界处。
该应用将六个暴露测量与2015年至2024年间的美国社区调查面板（共计8.88百万个个人年观察）进行匹配。2022年后的就业系数在语言模型测量和Webb专利文本测量之间发生符号变化，且一个事前因子分析规则将Webb测量作为一个独特构造分离。五个保留的源产生了一个负载不变的共识系数-0.239，部分识别的半宽度为点估计的1.23％，或在曲率的一侧95％上限的1.88％。我们将该应用视为测量调和，而非人工智能替代的因果估计。
博主点评： 本文深刻探讨了潜在变量在多重非线性测量中的识别问题，尤其是将其应用于人工智能领域的职业暴露测量，展示了如何通过统计方法处理测量噪声与曲率异质性，提供了一种新的视角来理解不同测量间的关系及其影响。该研究为后续的实证研究提供了重要的理论支持与方法论框架。