Debiased Regression for Root-N-Consistent Conditional Mean Estimation
用于条件均值根号样本量一致估计的去偏回归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：摘要讨论通用回归去偏及渐近推断，未指定因果、面板、宏观或金融模型，仅凭估计与推断术语不足以分类。
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
用于条件均值根号样本量一致估计的去偏回归
- 研究问题
- 对于高维或非参数回归估计量，能否通过可计算的偏差修正获得根号样本量一致性和渐近正态性，以支持区间推断？
- 方法与思路
- 作者扩展半参数一步估计思路，估计原始回归残差的条件期望并加入修正项，该条件期望可用核回归等方法估计。
- 材料陈述的贡献
- 摘要称在原估计量与条件残差期望估计量满足一定收敛速度条件时，修正估计具有根号样本量一致性和渐近正态性。
- 阅读关注点
- 应核对条件均值的具体目标、评价位置和渐近框架，以及两类估计的速度要求、样本使用方式与方差估计。
- 阅读边界
- 所据版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未写明速度条件及估计对象细节，不能推广为任意条件均值均可实现该速率。
原文摘要
This study introduces a debiasing method for regression estimators, including high-dimensional and nonparametric regression estimators. For example, nonparametric regression methods allow for the estimation of regression functions in a data-driven manner with minimal assumptions; however, these methods typically fail to achieve $\sqrt{n}$-consistency in their convergence rates, and many, including those in machine learning, lack guarantees that their estimators asymptotically follow a normal distribution. To address these challenges, we propose a debiasing technique for nonparametric estimators by adding a bias-correction term to the original estimators, extending the conventional one-step estimator used in semiparametric analysis. Specifically, for each data point, we estimate the conditional expected residual of the original nonparametric estimator, which can, for instance, be computed using kernel (Nadaraya-Watson) regression, and incorporate it as a bias-reduction term. Our theoretical analysis demonstrates that the proposed estimator achieves $\sqrt{n}$-consistency and asymptotic normality under a mild convergence rate condition for both the original nonparametric estimator and the conditional expected residual estimator. Notably, this approach remains model-free as long as the original estimator and the conditional expected residual estimator satisfy the convergence rate condition. The proposed method offers several advantages, including improved estimation accuracy and simplified construction of confidence intervals.