Higher-Order Efficient Estimators: A Review and Simulation-Based Benchmark Study
高阶有效估计量：综述与模拟基准研究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：摘要使用处理特定均值这一因果推断与缺失数据问题比较高阶去偏估计方法。
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…
关注这篇论文的作者
高阶有效估计量：综述与模拟基准研究
- 研究问题
- 高阶去偏何时能将渐近效率优势转化为有限样本收益？研究比较不同二阶有效估计方法的近似策略、正则化负担与稳定性。
- 方法与思路
- 作者以处理特定均值估计为基准，综述高阶影响函数及核方法、HAL 方法的高阶目标估计，并控制干扰函数误差与变差复杂度进行模拟。
- 材料陈述的贡献
- 摘要称高阶校正可减少一阶估计偏差，但收益依赖近似稳定性；经验 HAL 方法较稳定，经验高阶影响函数方法对基截断和调参敏感。
- 阅读关注点
- 应核对各方法共享的比较条件、干扰函数误差控制方式、调参公平性，以及偏差下降是否伴随方差、覆盖率或计算成本变化。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要中的相对表现限于所述基准，未给出完整模拟设计和数值结果。
原文摘要
Higher-order efficient estimators extend standard first-order semiparametric estimators by replacing second-order residuals with third- or higher-order terms, potentially enabling asymptotic efficiency under slower nuisance function convergence rates and improving finite-sample performance. Existing methods achieve higher-order expansions through structurally different approximation strategies, including basis truncation, kernel smoothing, and highly adaptive lasso (HAL) representations, making direct theoretical and practical comparison difficult. In this manuscript, we provide a focused review and a simulation-based empirical benchmark for second-order efficient estimators, using treatment-specific mean estimation as a canonical causal inference and missing data problem. We compare how higher-order influence function (HOIF) estimators, kernel-based higher-order targeted minimum loss-based estimator (HOTMLE), and HAL-based HOTMLE construct higher-order expansions and the approximation or regularization burdens they introduce. The asymptotic and numerical study evaluates first-order and empirical second-order estimators under controlled nuisance errors with constant or increasing sectional variation complexity. Results show that higher-order debiasing can substantially reduce first-order estimation bias; however, gains depend strongly on stability of the approximation or regularization required for higher-order correction. Empirical HAL-based HOTMLE shows relatively stable performance, while empirical HOIF remains sensitive to basis truncation and tuning choices. Overall, this manuscript clarifies when higher-order asymptotic improvements are attained in theory, when they may be practically visible, and when implementation instability may offset theoretical advantages.