One-Step Estimation of Differentiable Hilbert-Valued Parameters
可微希尔伯特空间值参数的一步估计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：摘要列出多个因果函数型目标，并明确包含反事实密度函数，因此归入因果推断与分布效应相关方法。
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
可微希尔伯特空间值参数的一步估计
- 研究问题
- 研究如何对希尔伯特空间中的函数型参数进行有效估计和置信集构造，以及路径可微性何时不足以保证有效影响函数存在。
- 方法与思路
- 作者推广基于空间值有效影响函数的交叉拟合一步估计，并针对缺乏有效影响函数的情形提出正则化估计及置信集。
- 材料陈述的贡献
- 摘要称在相应条件下获得有效且具有根号样本量收敛率的估计，并给出反事实密度、剂量反应和条件平均处理效应等例子。
- 阅读关注点
- 应核对路径可微性与有效影响函数存在性的区别、干扰函数误差要求，以及正则化偏差如何进入置信集构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出完整误差条件，不能将理论保证理解为任意机器学习估计均有效。
原文摘要
We present estimators for smooth Hilbert-valued parameters, where smoothness is characterized by a pathwise differentiability condition. When the parameter space is a reproducing kernel Hilbert space, we provide a means to obtain efficient, root-n rate estimators and corresponding confidence sets. These estimators correspond to generalizations of cross-fitted one-step estimators based on Hilbert-valued efficient influence functions. We give theoretical guarantees even when arbitrary estimators of nuisance functions are used, including those based on machine learning techniques. We show that these results naturally extend to Hilbert spaces that lack a reproducing kernel, as long as the parameter has an efficient influence function. However, we also uncover the unfortunate fact that, when there is no reproducing kernel, many interesting parameters fail to have an efficient influence function, even though they are pathwise differentiable. To handle these cases, we propose a regularized one-step estimator and associated confidence sets. We also show that pathwise differentiability, which is a central requirement of our approach, holds in many cases. Specifically, we provide multiple examples of pathwise differentiable parameters and develop corresponding estimators and confidence sets. Among these examples, four are particularly relevant to ongoing research by the causal inference community: the counterfactual density function, dose-response function, conditional average treatment effect function, and counterfactual kernel mean embedding.