New $\sqrt{n}$-consistent, numerically stable higher-order influence function estimators
新的根号 n 一致且数值稳定的高阶影响函数估计量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：摘要聚焦通用统计泛函与高阶影响函数，提及经济学不足以确定具体领域细分。
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…
新的根号 n 一致且数值稳定的高阶影响函数估计量
- 研究问题
- 高阶影响函数能为多类统计泛函构造率最优估计量，但实践应用有限；如何使这类估计兼具统计保证、数值稳定性与计算可行性？
- 方法与思路
- 作者构造新的稳定高阶影响函数估计量，并声称提供统计、数值与计算保证；摘要提及此前二阶合成实验的铺垫，但未展开具体构造。
- 材料陈述的贡献
- 摘要称，新的稳定估计量推动高阶影响函数从理论基准走向统计实践；题名强调根号 n 一致性，但摘要没有列出其成立范围与条件。
- 阅读关注点
- 应核对目标泛函类别、根号 n 一致所需条件、估计量阶数范围，以及数值稳定性的定义和计算复杂度，区分理论保证与已有实验支持。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明具体模型、正则条件或数值结果，不能认定该方法适用于所有泛函或所有样本。
原文摘要
Higher-Order Influence Functions (HOIFs) provide a unified theory for constructing rate-optimal estimators for a large class of low-dimensional (smooth) statistical functionals/parameters (and sometimes even infinite-dimensional functions) that arise in substantive fields including epidemiology, economics, and the social sciences. Since the introduction of HOIFs by Robins et al. (2008), they have been viewed mostly as a theoretical benchmark rather than a useful tool for statistical practice. Works aimed to flip the script are scant, but a few recent papers Liu et al. (2017, 2021b) make some partial progress. In this paper, we take a fresh attempt at achieving this goal by constructing new, numerically stable HOIF estimators (or sHOIF estimators for short with ``s'' standing for ``stable'') with provable statistical, numerical, and computational guarantees. This new class of sHOIF estimators (up to the 2nd order) was foreshadowed in synthetic experiments conducted by Liu et al. (2020a).