Conditional Influence Functions
条件影响函数AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以条件平均处理效应为例，并讨论Neyman正交条件矩、去偏估计和局部政策效应，直接对应因果推断；同时涉及条件分布泛函与条件参数估计，与分位数/分布效应方向相关。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
条件影响函数
- 研究问题
- 摘要关注如何定义并利用条件影响函数，来处理依赖于条件分布的半参数/非参数参数，例如条件于低维协变量的平均处理效应，以及在高维冗余函数下构造正交条件矩、敏感性度量和去偏估计。
- 方法与思路
- 作者将条件影响函数定义为条件参数对给定条件变量下单个观测条件分布扰动的Gateaux导数，推广经典影响函数；据此构造Neyman正交条件矩方程、局部敏感性/政策效应度量，并通过交叉拟合伪结果对条件变量做非参数回归得到去偏估计；对线性泛函和凸条件M估计给出推导，并讨论局部线性第二阶段估计的速率条件与标准误。
- 材料陈述的贡献
- 摘要称CIF可（i）为依赖高维冗余函数的参数构造Neyman正交条件矩方程，（ii）量化对误设的局部敏感性和局部政策效应，（iii）通过交叉拟合伪结果的条件非参数回归构建条件参数的去偏估计；并给出线性条件均值泛函及凸条件M估计类参数的CIF推导，以及局部线性第二阶段估计中第一阶段机器学习无一阶影响的速率条件和可实施标准误。
- 阅读关注点
- 阅读全文时应核对：CIF定义中扰动方向与条件律的具体形式；Neyman正交性成立所需的正则条件；局部线性第二阶段估计的速率条件是否覆盖常用机器学习估计量；标准误的构造与渐近有效性；凸条件M估计的适用范围与计算可行性；以及去偏估计在有限样本下的表现。
- 阅读边界
- 摘要未说明具体数据、模拟设计或实证结果，也未给出定理的完整假设、收敛速率常数、标准误的具体公式及与其他条件估计方法的比较；因此仅凭摘要无法判断方法的实际有限样本表现、适用边界和相对优势。
原文摘要
There are many nonparametric objects of interest that are functionals of a conditional distribution, such as average treatment effects conditional on a low-dimensional set of covariates. We define a conditional influence function (CIF) as the Gateaux derivative of a conditional parameter with respect to perturbations of the conditional law of a single observation given the conditioning variable. CIFs generalize classical influence functions and can be used to (i) construct Neyman-orthogonal conditional moment equations for parameters that depend on high-dimensional nuisance functions, (ii) quantify local sensitivity to misspecification and local policy effects, and (iii) build debiased estimators of conditional parameters via nonparametric regression of cross-fit pseudo-outcomes on the conditioning variable. We derive CIFs for a broad class of parameters that are linear functionals of conditional means and extend the analysis to parameters depending on general features of conditional distributions defined by convex conditional M-estimation. For locally linear second-stage estimation, we give rate conditions under which first-stage machine learning has no first-order impact on the asymptotic distribution and we provide implementable standard errors.