Debiased Machine Learning of Aggregated Intersection Bounds and Other Causal Parameters
聚合交集界与其他因果参数的去偏机器学习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：摘要明确涉及因果参数、治疗选择福利及分布效应的上下界。
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
聚合交集界与其他因果参数的去偏机器学习
- 研究问题
- 当目标参数是多个回归函数逐点最小值或最大值的协变量平均时，如何估计分布效应界及最优治疗选择福利？
- 方法与思路
- 作者提出聚合回归函数交集的框架，以包络得分估计量估计目标，并应用于 Roy 模型和离散结果下的选择界。
- 材料陈述的贡献
- 摘要称包络得分估计量具有知道各协变量处最小化函数身份的预言机性质，并在俄勒冈医疗保险实验数据上表现良好。
- 阅读关注点
- 应核对最小化函数并列时的处理、回归学习误差的要求、预言机性质的准确含义，以及各类因果界所需的识别条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明去偏步骤、并列点条件和实证评价指标，不能推断界的普遍精确性。
原文摘要
This paper proposes a novel framework of aggregated intersection of regression functions, where the target parameter is obtained by averaging the minimum (or maximum) of a collection of regression functions over the covariate space. Such quantities include the lower and upper bounds on distributional effects (Frechet-Hoeffding, Makarov) and the optimal welfare in the statistical treatment choice problem. The proposed estimator -- the envelope score estimator -- is shown to have an oracle property, where the oracle knows the identity of the minimizer for each covariate value. I apply this result to the bounds in the Roy model and the Horowitz-Manski-Lee bounds with a discrete outcome. The proposed approach performs well empirically on the data from the Oregon Health Insurance Experiment.