The variational method of moments
变分矩方法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。
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：摘要明确以条件矩描述结构性因果参数，并以工具变量回归作为重要例子。
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
变分矩方法
- 研究问题
- 如何利用条件矩约束估计结构性因果参数，在神经网络或核方法所刻画的无限矩条件下保持统计效率并进行推断？
- 方法与思路
- 作者从最优加权广义矩方法的变分极小极大重述出发，构造可利用灵活函数类的变分矩估计器，并开发推断算法。
- 材料陈述的贡献
- 摘要称该方法控制无限多个矩条件并保持统计效率，区别于相关既有极小极大估计器，且通过实验展示估计和推断表现。
- 阅读关注点
- 应核对条件矩的识别作用、效率基准与证明条件、函数类和正则化设置，以及推断算法对估计误差的处理。
- 阅读边界
- 仅据所给 Crossref 摘要；识别条件、效率界、算法细节与实验数值未说明，不能据此认定任意神经网络实现均有效率保证。
原文摘要
Abstract The conditional moment problem is a powerful formulation for describing structural causal parameters in terms of observables, a prominent example being instrumental variable regression. We introduce a very general class of estimators called the variational method of moments (VMM), motivated by a variational minimax reformulation of optimally weighted generalized method of moments for finite sets of moments. VMM controls infinitely for many moments characterized by flexible function classes such as neural nets and kernel methods, while provably maintaining statistical efficiency unlike existing related minimax estimators. We also develop inference algorithms and demonstrate the empirical strengths of VMM estimation and inference in experiments.