Functional Generalized Empirical Likelihood Estimation for Conditional Moment Restrictions
条件矩约束的函数型广义经验似然估计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：摘要提出通用条件矩估计框架，虽提及因果推断应用，但未明确具体应用足以对应所列领域细分。
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…
条件矩约束的函数型广义经验似然估计
- 研究问题
- 条件矩限制对应连续无穷多个无条件矩限制，如何构造可计算且能使用灵活模型的广义经验似然估计方法？
- 方法与思路
- 作者将广义经验似然改写为函数型问题，从无限维优化的对偶形式设计方法，并提供核与神经网络实现。
- 材料陈述的贡献
- 摘要称该框架允许使用任意模型、研究了渐近性质，并在两个条件矩问题上取得其所称的领先经验表现。
- 阅读关注点
- 应核对函数空间、对偶关系、正则化与优化步骤，以及渐近性质的具体条件、两个实验任务和比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未列出理论条件，两个任务的表现不能支持一般的小样本优越性。
原文摘要
Important problems in causal inference, economics, and, more generally, robust machine learning can be expressed as conditional moment restrictions, but estimation becomes challenging as it requires solving a continuum of unconditional moment restrictions. Previous works addressed this problem by extending the generalized method of moments (GMM) to continuum moment restrictions. In contrast, generalized empirical likelihood (GEL) provides a more general framework and has been shown to enjoy favorable small-sample properties compared to GMM-based estimators. To benefit from recent developments in machine learning, we provide a functional reformulation of GEL in which arbitrary models can be leveraged. Motivated by a dual formulation of the resulting infinite dimensional optimization problem, we devise a practical method and explore its asymptotic properties. Finally, we provide kernel- and neural network-based implementations of the estimator, which achieve state-of-the-art empirical performance on two conditional moment restriction problems.