When Is Neyman-Orthogonal Inference Feasible? Existence and Relevance
何时能够进行奈曼正交推断？存在性与信息相关性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：摘要核心是正交矩与信息方向的一般半参数理论，所列应用不足以明确对应给定的领域细分。
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…
何时能够进行奈曼正交推断？存在性与信息相关性
- 研究问题
- 非平凡的奈曼正交矩何时存在，哪些目标方向含有一阶信息，以及给定矩函数能否识别实验中所有这些信息方向？
- 方法与思路
- 作者以受限局部过度识别刻画存在性，以有效费舍尔信息刻画相关性，并用秩关系区分矩函数遗漏的信息与实验本身缺失的信息。
- 材料陈述的贡献
- 摘要称，该框架解释秩亏下的识别稳健推断，并在高斯重复测量中区分可按参数速率学习的平滑目标与缺乏该速率信息的目标。
- 阅读关注点
- 应核对可达性与局部扰动空间的定义、秩关系的具体条件，以及重复测量中目标平滑程度和正则可学习性的联系。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或接收；摘要未给出完整模型与定理条件，缺乏参数速率信息不等于完全不可识别。
原文摘要
Neyman-orthogonal moments underpin debiased and double machine learning, yet their existence and informativeness are typically presumed. We ask three questions: when do nontrivial orthogonal moments exist, which target directions contain first-order information, and does a proposed moment detect all such directions? Restricted local overidentification characterizes existence under attainability. Effective Fisher information determines relevance; its rank counts informative target directions. A rank sandwich combines moment Jacobians with target changes offset by nuisance perturbations, distinguishing information missed by a moment from information absent from the experiment. In sample selection without covariate exclusions, this yields identification-robust inference under rank deficiency. In latent-variable models, the informative target space is an RKHS. For Gaussian repeated measurements, additional measurements enlarge the class of smoothed distributional targets that are regularly learnable, while CDFs, quantiles, and threshold-policy functionals remain uninformative at the parametric rate for every finite number of measurements.