Towards a unified theory for semiparametric data fusion with individual-level data
迈向个体层面数据融合的统一半参数理论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。
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：摘要明确将两样本工具变量分析列为数据融合理论覆盖的应用，提供因果推断相关的文本依据。
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…
迈向个体层面数据融合的统一半参数理论
- 研究问题
- 当独立数据来源分别对齐目标分布的不同条件分布，且这些条件分布不属于同一分解时，如何推断有限维目标参数？
- 方法与思路
- 作者放宽数据来源须对齐单一目标分布分解的限制，刻画正则渐近线性估计量的影响函数及目标参数的有效影响函数。
- 材料陈述的贡献
- 摘要称，该理论覆盖两样本工具变量、不同流行病学设计及外部测量验证等问题，为机器学习去偏和半参数有效估计奠定基础。
- 阅读关注点
- 应核对来源对齐与目标识别条件、各来源所需的支持关系，以及影响函数刻画如何转化为可实施的估计与推断程序。
- 阅读边界
- 仅据 Crossref 摘要；统一刻画仍需核对具体统计模型与正则条件。摘要未报告实际估计步骤、机器学习收敛要求或有限样本比较，不能推断刊本变化。
原文摘要
We consider inference about a finite-dimensional parameter integrating samples from independent sources. A recently developed theory considers scenarios where sources align with subsets of the conditional distributions of a single factorization of the joint target distribution. While this theory applies in many settings, it falls short in important data fusion problems, such as two-sample instrumental variable analysis, settings that integrate data from epidemiological studies with diverse designs, and studies with mismeasured variables supplemented by external validation studies. In this paper we derive a comprehensive theory that, in particular, covers these settings by allowing the integration of sources aligned with conditional distributions that do not correspond to a single factorization of the target distribution. We provide a universal characterization of the influence functions of regular and asymptotically linear estimators and the efficient influence function of a target parameter, irrespective of the parameter of interest or the statistical model for the target distribution, thus paving the way for a unified theory for machine-learning debiased, semiparametric efficient estimation.