Multi-Task Learning for High-Dimensional Regression with Many Weak Instruments
多弱工具变量高维回归的多任务学习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：摘要明确使用多弱工具变量识别和推断治疗效应，并应用于教育回报研究。
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
多弱工具变量高维回归的多任务学习
- 研究问题
- 当工具变量数量不断增加且各自较弱，同时需要从高维协变量估计辅助函数时，如何控制两类估计偏差并有效推断治疗效应？
- 方法与思路
- 作者提出去偏连续更新广义矩估计量，以多任务学习估计工具变量倾向得分，并建立次高斯设计下广义线性模型的相关理论。
- 材料陈述的贡献
- 摘要称该方法同时处理多弱工具变量偏差与第一步正则化偏差，在适当稀疏条件下实现有效推断，并以模拟和教育回报应用评估。
- 阅读关注点
- 核对工具变量有效性和强度条件、维度增长及稀疏性要求，以及多任务结构、去偏步骤与连续更新目标函数的具体实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核验；摘要未列出完整推断条件，也未说明工具变量有效性在教育应用中的依据。
原文摘要
Many weak instrumental variables (IVs) are routinely used in the health and social sciences to improve identification and inference of the treatment effect of interest, along with a broad collection of data on potential confounding factors in the hope that the IV assumptions hold within each data stratum. We propose a new debiased continuous-updating generalized method of moments estimator with multi-task learning of the IV propensity scores to simultaneously address the biases from a diverging number of weak IVs as well as first-step regularized estimation of nuisance regression functions in high-dimensional potential confounding factors. We develop a new multi-task learning theory for generalized linear models under a general sub-Gaussian design to establish valid inference in the many weak IVs asymptotic regime under appropriate sparsity conditions. We evaluate the proposed method via extensive Monte Carlo studies and an empirical application to investigate the returns to education.