Nonparametric Jackknife Instrumental Variable Estimation and Confounding Robust Surrogate Indices
非参数刀切工具变量估计与抗混杂替代指标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：摘要同时研究非参数工具变量结构回归和基于替代指标的长期平均处理效应推断。
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…
非参数刀切工具变量估计与抗混杂替代指标
- 研究问题
- 大量弱工具变量下，如何降低非参数工具变量估计的偏差，并利用短期替代指标推断未观测长期结果的平均处理效应？
- 方法与思路
- 作者提出受 JIVE 启发的工具变量拆分机制，分析拆分经验过程的学习率，再估计去偏辅助函数以支持预测处理效应的推断。
- 材料陈述的贡献
- 摘要称该方法消除所讨论目标估计中的偏差，给出依赖函数类复杂度的学习率，并构造长期预测处理效应的渐近正态估计。
- 阅读关注点
- 应核对拆分如何消除偏差、弱工具变量与逆问题的限制，以及历史实验如何识别替代关系、长期效应解释所需的迁移条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明抗混杂的具体条件，预测效应与真实长期效应的联系需核对。
原文摘要
Jackknife instrumental variable estimation (JIVE) is a classic method to leverage many weak instrumental variables (IVs) to estimate linear structural models, overcoming the bias of standard methods like two-stage least squares. In this paper, we extend the jackknife approach to nonparametric IV (NPIV) models with many weak IVs. Since NPIV characterizes the structural regression as having residuals projected onto the IV being zero, existing approaches minimize an estimate of the average squared projected residuals, but their estimates are biased under many weak IVs. We introduce an IV splitting device inspired by JIVE to remove this bias, and by carefully studying this split-IV empirical process we establish learning rates that depend on generic complexity measures of the nonparametric hypothesis class. We then turn to leveraging this for semiparametric inference on average treatment effects (ATEs) on unobserved long-term outcomes predicted from short-term surrogates, using historical experiments as IVs to learn this nonparametric predictive relationship even in the presence of confounding between short- and long-term observations. Using split-IV estimates of a debiasing nuisance, we develop asymptotically normal estimates for predicted ATEs, enabling inference.