Semiparametric inference based on adaptively collected data
基于自适应收集数据的半参数推断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：摘要聚焦自适应采样下的一般半参数回归与老虎机问题，未明确研究所列细分中的因果效应或经济应用。
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…
基于自适应收集数据的半参数推断
- 研究问题
- 当数据收集策略随已有观测调整时，如何对含非参数辅助成分的广义线性回归参数进行有效的渐近正态推断？
- 方法与思路
- 作者构造反映收集自适应性的加权估计方程，给出渐近正态性条件，并分别分析参数向量与较简单线性泛函的估计。
- 材料陈述的贡献
- 摘要称，理论刻画了渐近正态性所需的可探索程度；线性泛函可在更弱假设下处理，并展示线性及稀疏广义老虎机例子。
- 阅读关注点
- 应核对权重构造、可探索程度的数学定义及辅助成分限制，比较参数向量和线性泛函所需条件，并检查模拟的比较设置。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；未给出具体探索要求、权重或模拟数值，不能断言适用于所有自适应策略。
原文摘要
Many standard estimators, when applied to adaptively collected data, fail to be asymptotically normal, thereby complicating the construction of confidence intervals. We address this challenge in a semiparametric context: estimating the parameter vector of a generalized linear regression model contaminated by a nonparametric nuisance component. We construct suitably weighted estimating equations that account for adaptivity in data collection and provide conditions under which the associated estimates are asymptotically normal. Our results characterize the degree of “explorability” required for asymptotic normality to hold. For the simpler problem of estimating a linear functional, we provide similar guarantees under much weaker assumptions. We illustrate our general theory with concrete consequences for various problems, including standard linear bandits and sparse generalized bandits, and compare with other methods via simulation studies.