RieszBoost: Gradient Boosting for Riesz Regression
RieszBoost：用于 Riesz 回归的梯度提升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：摘要以平均处理效应和纵向处理政策效应为例，围绕双重稳健估计所需的 Riesz 表示元展开，直接支持因果推断分类。
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
RieszBoost：用于 Riesz 回归的梯度提升
- 研究问题
- 估计平均处理效应等条件期望的线性泛函时，如何直接学习 Riesz 表示元，减少显式推导及代入估计带来的困难？
- 方法与思路
- 作者提出直接估计 Riesz 表示元的梯度提升算法，无需预先给出其解析形式，面向表格数据提供非参数估计，并通过模拟比较。
- 材料陈述的贡献
- 摘要称该算法灵活且计算高效，在多种泛函的模拟中表现与间接估计相当或更好，为双重稳健估计提供表示元学习方法。
- 阅读关注点
- 核对 Riesz 回归的损失函数与提升更新、表示元如何进入最终因果估计，以及重叠不足时的稳定性和区间推断条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出收敛率或推断保证，所述方法不能据此视为解决所有正值性问题。
原文摘要
Answering causal questions often involves estimating linear functionals of conditional expectations, such as the average treatment effect or the effect of a longitudinal modified treatment policy. By the Riesz representation theorem, these functionals can be expressed as the expected product of the conditional expectation of the outcome and the Riesz representer, a key component in doubly robust estimation methods. Traditionally, the Riesz representer is estimated indirectly by deriving its explicit analytical form, estimating its components, and substituting these estimates into the known form (e.g., the inverse propensity score). However, deriving or estimating the analytical form can be challenging, and substitution methods are often sensitive to practical positivity violations, leading to higher variance and wider confidence intervals. In this paper, we propose a novel gradient boosting algorithm to directly estimate the Riesz representer without requiring its explicit analytical form. This method is particularly suited for tabular data, offering a flexible, nonparametric, and computationally efficient alternative to existing methods for Riesz regression. Through simulation studies, we demonstrate that our algorithm performs on par with or better than indirect estimation techniques across a range of functionals, providing a user-friendly and robust solution for estimating causal quantities.