Nonparametric "rich covariates" without saturation
无需饱和设定的非参数“丰富协变量”方法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：摘要围绕工具变量的条件分配与协变量调整研究线性工具变量估计，因此归入因果推断，未提供其他细分方向的直接依据。
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…
无需饱和设定的非参数“丰富协变量”方法
- 研究问题
- 作者研究工具变量并非无条件随机分配且回归未饱和时，如何通过非参数调整，使线性工具变量估计满足丰富协变量条件。
- 方法与思路
- 作者先估计工具变量给定协变量的条件期望，再将工具变量残差用作新工具，或把估计的条件期望加入回归解释变量。
- 材料陈述的贡献
- 摘要称，两种调整可以满足丰富协变量条件，提供核回归第一步下的渐近分析，并以核方法和神经网络模拟及实证说明效果。
- 阅读关注点
- 应核对丰富协变量条件的定义、两种调整所对应的目标参数、第一步估计误差及收敛要求，以及未饱和回归的具体设定。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或期刊接收未核实；摘要未说明完整工具变量有效性条件，也未量化实证中的优势。
原文摘要
We consider two nonparametric approaches to ensure that linear instrumental variables estimators satisfy the rich-covariates condition emphasized by Blandhol et al. (2025), even when the instrument is not unconditionally randomly assigned and the model is not saturated. Both approaches start with a nonparametric estimate of the expectation of the instrument conditional on the covariates, and ensure that the rich-covariates condition is satisfied either by using as the instrument the difference between the original instrument and its estimated conditional expectation, or by adding the estimated conditional expectation to the set of regressors. We derive asymptotic properties when the first step uses kernel regression, and assess finite-sample performance in simulations where we also use neural networks in the first step. Finally, we present an empirical illustration that highlights some significant advantages of the proposed methods.