Off-policy estimation of linear functionals: Non-asymptotic theory for semi-parametric efficiency
线性泛函的离策略估计：半参数效率的非渐近理论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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确将观察数据中的处理效应函数与因果推断、离策略线性泛函估计联系起来。
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…
线性泛函的离策略估计：半参数效率的非渐近理论
- 研究问题
- 利用观察数据估计处理效应函数的线性泛函时，第一阶段误差如何影响有限样本风险，渐近效率之外还需考虑什么？
- 方法与思路
- 作者分析先估计处理效应函数、再估计线性泛函的两阶段程序，以加权L²范数约束回归，并建立风险上下界。
- 材料陈述的贡献
- 摘要称匹配的局部极小极大下界支持实例依赖的有限样本最优性，风险还取决于真实结果函数的加权近似误差。
- 阅读关注点
- 应核对目标泛函、加权范数的权重来源、样本量支持的函数类，以及局部下界与渐近有效方差之间的对应关系。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实；摘要未说明观察数据的识别条件及函数类限制，最优性范围需核查。
原文摘要
The problem of estimating a linear functional based on observational data is canonical in both the causal inference and bandit literatures. We analyze a broad class of two-stage procedures that first estimate the treatment effect function, and then use this quantity to estimate the linear functional. We prove non-asymptotic upper bounds on the mean-squared error of such procedures: these bounds reveal that in order to obtain non-asymptotically optimal procedures, the error in estimating the treatment effect should be minimized in a certain weighted $L^2$-norm. We analyze a two-stage procedure based on constrained regression in this weighted norm, and establish its instance-dependent optimality in finite samples via matching non-asymptotic local minimax lower bounds. These results show that the optimal non-asymptotic risk, in addition to depending on the asymptotically efficient variance, depends on the weighted norm distance between the true outcome function and its approximation by the richest function class supported by the sample size.