Inference on function-valued parameters using a restricted score test
利用受限得分检验推断函数值参数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：摘要主要研究通用函数参数推断，提及效应异质性但未明确给出因果或分布效应研究设定。
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…
关注这篇论文的作者
利用受限得分检验推断函数值参数
- 研究问题
- 当密度或回归函数等无限维参数通常只能以慢于参数速率估计时，如何借助总体风险最小化表示进行校准推断？
- 方法与思路
- 作者将目标函数表示为总体风险泛函的最小化解，提出得分检验的非参数扩展，并在非参数和部分可加均值回归中演示。
- 材料陈述的贡献
- 摘要称提供适用于多类函数参数的统一推断框架，以解析、计算和模拟示例展示均值回归应用，并讨论其他潜在应用。
- 阅读关注点
- 阅读时应核对受限得分的构造、风险表示的要求、校准与计算方式，以及模拟覆盖哪些条件和效应异质性如何定义。
- 阅读边界
- 仅据所给 Crossref 摘要；未说明有效性条件或模拟数值，效应异质性仅列为附加示例，不能据此认定已有因果识别结论。
原文摘要
Abstract It is often of interest to make inference on an unknown function that is a local parameter of the data-generating mechanism, such as a density or regression function. Such estimands can typically only be estimated at a slower-than-parametric rate in nonparametric and semiparametric models, and performing calibrated inference can be challenging. In many cases, these estimands can be expressed as the minimizer of a population risk functional. Here, we propose a general framework that leverages such representation and provides a nonparametric extension of the score test for inference on an infinite-dimensional risk minimizer. We demonstrate that our framework is applicable in a wide variety of problems. As both analytic and computational examples, we describe how to use our general approach for inference on a mean regression function under (i) nonparametric and (ii) partially additive models, and evaluate the operating characteristics of the resulting procedures via simulations. Assessment of effect heterogeneity, inference on density functions, and conditional independence testing are discussed as additional examples.