Minimax Kernel Machine Learning for a Class of Doubly Robust Functionals with Application to Proximal Causal Inference
双重稳健泛函的极小极大核学习及近端因果推断应用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：摘要明确以潜在混杂下的近端因果推断和平均因果效应估计为应用核心。
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…
双重稳健泛函的极小极大核学习及近端因果推断应用
- 研究问题
- 当辅助函数由积分方程定义时，如何构造双重稳健影响函数并非参数估计这些函数，以支持存在潜在混杂的近端因果效应估计？
- 方法与思路
- 作者扩展双重稳健影响函数的类别，利用其性质构造辅助函数估计方程，将积分方程求解转为极小极大优化，并分析收敛与渐近线性。
- 材料陈述的贡献
- 摘要称获得辅助函数收敛率及目标估计量渐近线性的条件；实验用于展示近端因果框架下平均因果效应估计的稳健性和表现。
- 阅读关注点
- 应核对近端识别条件、积分方程解的存在与唯一性、核函数空间及优化实现，以及双重稳健性和渐近线性分别需要哪些条件。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或接收未核实；摘要未展开识别条件、收敛率公式和实验数值，不能据此保证任意潜在混杂可处理。
原文摘要
Robins et al. (2008) introduced a class of influence functions (IFs) which could be used to obtain doubly robust moment functions for the corresponding parameters. However, that class does not include the IF of parameters for which the nuisance functions are solutions to integral equations. Such parameters are particularly important in the field of causal inference, specifically in the recently proposed proximal causal inference framework of Tchetgen Tchetgen et al. (2020), which allows for estimating the causal effect in the presence of latent confounders. In this paper, we first extend the class of Robins et al. to include doubly robust IFs in which the nuisance functions are solutions to integral equations. Then we demonstrate that the double robustness property of these IFs can be leveraged to construct estimating equations for the nuisance functions, which enables us to solve the integral equations without resorting to parametric models. We frame the estimation of the nuisance functions as a minimax optimization problem. We provide convergence rates for the nuisance functions and conditions required for asymptotic linearity of the estimator of the parameter of interest. The experiment results demonstrate that our proposed methodology leads to robust and high-performance estimators for average causal effect in the proximal causal inference framework.