Stochastic Optimization Algorithms for Instrumental Variable Regression with Streaming Data
流式数据工具变量回归的随机优化算法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：摘要研究涉及混杂处理的工具变量回归，直接关联因果推断中的工具变量方法。
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…
流式数据工具变量回归的随机优化算法
- 研究问题
- 如何在流式数据中完全在线地实施最小二乘工具变量回归，避免矩阵求逆和小批量处理，并获得收敛率保证？
- 方法与思路
- 作者将工具变量回归写成条件随机优化问题，分别分析双样本与单样本oracle下的在线算法，并开展数值实验。
- 材料陈述的贡献
- 摘要给出线性真模型下两种oracle的期望收敛率，并称双样本方法无需显式建模混杂变量与工具变量之间的关系。
- 阅读关注点
- 应核对oracle所需的数据访问方式、期望误差的定义与收敛条件，以及工具变量假设、步长选择和数值比较设置。
- 阅读边界
- 这是arXiv预印本，同行评审及接收状态未核实；摘要未说明完整工具变量条件和oracle可行性，不能据收敛率推定实践优势。
原文摘要
We develop and analyze algorithms for instrumental variable regression by viewing the problem as a conditional stochastic optimization problem. In the context of least-squares instrumental variable regression, our algorithms neither require matrix inversions nor mini-batches and provides a fully online approach for performing instrumental variable regression with streaming data. When the true model is linear, we derive rates of convergence in expectation, that are of order $\mathcal{O}(\log T/T)$ and $\mathcal{O}(1/T^{1-ι})$ for any $ι>0$, respectively under the availability of two-sample and one-sample oracles, respectively, where $T$ is the number of iterations. Importantly, under the availability of the two-sample oracle, our procedure avoids explicitly modeling and estimating the relationship between confounder and the instrumental variables, demonstrating the benefit of the proposed approach over recent works based on reformulating the problem as minimax optimization problems. Numerical experiments are provided to corroborate the theoretical results.