Nearest Neighbor Matching as Least Squares Density Ratio Estimation and Riesz Regression
最近邻匹配的最小二乘密度比估计与 Riesz 回归解释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：摘要讨论通用估计方法的等价性，未明确给出处理效应或其他细分领域的研究对象。
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
最近邻匹配的最小二乘密度比估计与 Riesz 回归解释
- 研究问题
- 最近邻匹配、最小二乘密度比估计与自动去偏机器学习中的 Riesz 回归之间，是否存在可推导的等价关系？
- 方法与思路
- 作者先建立既有密度比估计方法与最小二乘重要性拟合的等价关系，再从该框架导出 Riesz 回归及最近邻匹配。
- 材料陈述的贡献
- 摘要称，最近邻匹配可解释为 Riesz 回归的一个实例，为匹配、密度比估计与自动去偏方法提供统一的理论联系。
- 阅读关注点
- 应核对等价关系涉及的函数类、损失函数与样本构造，以及这些关系属于有限样本恒等式还是需要特定条件的结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出证明条件，也未提供效率或有限样本性能比较。
原文摘要
This study proves that Nearest Neighbor (NN) matching can be interpreted as an instance of Riesz regression for automatic debiased machine learning. Lin et al. (2023) shows that NN matching is an instance of density-ratio estimation with their new density-ratio estimator. Chernozhukov et al. (2024) develops Riesz regression for automatic debiased machine learning, which directly estimates the Riesz representer (or equivalently, the bias-correction term) by minimizing the mean squared error. In this study, we first prove that the density-ratio estimation method proposed in Lin et al. (2023) is essentially equivalent to Least-Squares Importance Fitting (LSIF) proposed in Kanamori et al. (2009) for direct density-ratio estimation. Furthermore, we derive Riesz regression using the LSIF framework. Based on these results, we derive NN matching from Riesz regression. This study is based on our work Kato (2025a) and Kato (2025b).