Flexible semiparametric modeling with application to Causal Inference
灵活半参数建模及其因果推断应用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：摘要将正交得分框架具体应用于二元工具变量的治疗效应估计和医保实验因果分析。
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…
灵活半参数建模及其因果推断应用
- 研究问题
- 在包含无限维干扰参数的复杂半参数模型中，如何系统构造 Neyman 正交得分，使机器学习辅助估计支持目标参数推断？
- 方法与思路
- 作者提出适用于广泛模型的显式正交得分构造策略，并应用于二元工具变量下的治疗效应估计，结合数值研究和实际案例。
- 材料陈述的贡献
- 摘要称，干扰参数估计达到 o_p(n^{-1/4}) 一致性时可保证目标估计渐近正态，并提出稳健效应估计器及俄勒冈医保应用。
- 阅读关注点
- 应核对正交得分的适用模型类、速率之外的正则条件、是否需要交叉拟合，以及二元工具变量下效应目标和识别假设。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列完整条件，不能将四分之一次方速率视为渐近正态的唯一要求。
原文摘要
This paper proposes a flexible new framework for constructing Neyman-orthogonal scores in semiparametric models involving infinite-dimensional nuisance parameters. While locally estimation is vital for integrating machine learning into econometrics, deriving orthogonal scores for complex models remains a major challenge. We provide explicit construction strategies for broad classes of settings. The proposed framework ensures asymptotic normality of target parameter estimators in a way that does not depend on the method used to construct the nuisance parameter estimators, provided they are $o_p(n^{-\1/4})$-consistent. We apply the proposed methodology to causal inference with a binary instrumental variable, developing a novel, robust estimator for treatment effects. Numerical studies demonstrate that our approach significantly outperforms naive alternatives in finite samples. An empirical application to the Oregon Health Insurance Experiment illustrates the framework's utility in providing robust causal evidence.