The Bias-Variance Tradeoff of Doubly Robust Estimator with Targeted $L_1$ regularized Neural Networks Predictions
采用定向 L1 正则化神经网络预测的双重稳健估计偏差—方差权衡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：摘要直接研究平均处理效应、双重稳健估计、混杂调整与正值性问题，明确属于因果推断。
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…
采用定向 L1 正则化神经网络预测的双重稳健估计偏差—方差权衡
- 研究问题
- 强混杂因素或工具变量使处理预测接近完美时，如何调节神经网络，控制平均处理效应双重稳健估计的偏差与方差？
- 方法与思路
- 作者用两种神经网络拟合处理与结果模型，将预测代入双重稳健估计量，通过模拟研究混杂因素和工具变量存在时的超参数选择。
- 材料陈述的贡献
- 摘要提出用模拟结果形成神经网络用于平均处理效应估计的调参建议，重点在于保留混杂信息并避免处理预测过度极端。
- 阅读关注点
- 核对两种网络结构、定向 L1 正则化与调参规则、样本划分，以及真实正值性与估计倾向得分过度极端之间的区别。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出具体模拟结果，抑制极端预测也不能修复真实缺乏重叠的问题。
原文摘要
The Doubly Robust (DR) estimation of ATE can be carried out in 2 steps, where in the first step, the treatment and outcome are modeled, and in the second step the predictions are inserted into the DR estimator. The model misspecification in the first step has led researchers to utilize Machine Learning algorithms instead of parametric algorithms. However, existence of strong confounders and/or Instrumental Variables (IVs) can lead the complex ML algorithms to provide perfect predictions for the treatment model which can violate the positivity assumption and elevate the variance of DR estimators. Thus the ML algorithms must be controlled to avoid perfect predictions for the treatment model while still learn the relationship between the confounders and the treatment and outcome. We use two Neural network architectures and investigate how their hyperparameters should be tuned in the presence of confounders and IVs to achieve a low bias-variance tradeoff for ATE estimators such as DR estimator. Through simulation results, we will provide recommendations as to how NNs can be employed for ATE estimation.