Augmented minimax linear estimation
增广极小极大线性估计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。
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：摘要明确列举无混杂条件下的平均处理效应，并讨论连续及个性化处理推广，直接支持因果推断分类。
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
增广极小极大线性估计
- 研究问题
- 如何估计条件期望函数的连续线性泛函，包括无混杂条件下的平均处理效应以及连续处理和个性化处理的推广？
- 方法与思路
- 作者先用条件期望函数估计构造插件估计量，再减去对其误差的极小极大线性估计，以校正插件估计的误差。
- 材料陈述的贡献
- 摘要称该方法在较弱条件下具有半参数效率，并在真实数据与模拟数据上呈现有希望的表现，未给出具体比较数值。
- 阅读关注点
- 应核对线性泛函的表示、极小极大优化中的函数类、误差校正条件及效率证明，并区分估计条件与因果识别条件。
- 阅读边界
- 仅据所给 OpenAlex 摘要；所谓较弱条件、实证设置及结果数值未展开，不能据此认定任意插件估计都可获半参数效率。
原文摘要
Many statistical estimands can expressed as continuous linear functionals of a conditional expectation function. This includes the average treatment effect under unconfoundedness and generalizations for continuous-valued and personalized treatments. In this paper, we discuss a general approach to estimating such quantities: we begin with a simple plug-in estimator based on an estimate of the conditional expectation function, and then correct the plug-in estimator by subtracting a minimax linear estimate of its error. We show that our method is semiparametrically efficient under weak conditions and observe promising performance on both real and simulated data.