Influence Function: Local Robustness and Efficiency
影响函数：局部稳健性与效率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：摘要讨论跨参数、非参数与半参数模型的通用影响函数理论，没有足够文本依据归入所给应用领域细分。
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…
影响函数：局部稳健性与效率
- 研究问题
- 如何统一推导参数、非参数和半参数模型的影响函数，并据此构造局部稳健矩条件及判断联合估计与代入估计的效率关系？
- 方法与思路
- 作者采用直接微分框架，将函数导数的 Riesz 表示与均值为零空间上的正交投影联系起来，再推导影响函数及多步估计调整项。
- 材料陈述的贡献
- 摘要称得到有限与无限维参数的共同代数形式、局部稳健矩条件的显式调整项，以及干扰参数过度识别时效率等价的充分条件。
- 阅读关注点
- 应核对识别函数与切空间的定义、可微性和投影条件，以及显式调整项的适用范围和效率等价充分条件的可验证性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未给出定理条件或证明，不能将共同表达形式理解为适用于所有非正则模型。
原文摘要
This paper introduces a direct differentiation-based framework that unifies the derivation of influence functions across parametric, nonparametric, and semiparametric models. We show that the Riesz representer of the functional derivative is obtained by orthogonally projecting the identification function onto the subspace of mean-zero functions. Consequently, the influence function emerges as a linear transformation of this centered moment function. The approach extends seamlessly to infinite-dimensional parameters, revealing a common algebraic form for influence functions across both finite- and infinite-dimensional parameters. Applied to semiparametric multi-step plug-in estimation, our method automatically yields locally robust moment functions and provides an explicit closed-form expression for the adjustment term. Finally, we leverage this framework to revisit the joint versus plug-in estimation debate, establishing verifiable sufficient conditions for their semiparametric efficiency equivalence even when nuisance parameters are over-identified.