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。
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：摘要明确将无混杂下的平均处理效应及连续、个性化处理参数列为估计对象。
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相关参数？
- 方法与思路
- 作者先根据条件期望估计构造代入估计量，再减去对其误差的极小极大线性估计，以校正初始估计的误差。
- 材料陈述的贡献
- 摘要称，该方法在较弱条件下达到半参数效率，并在真实与模拟数据中表现良好，但未提供条件或具体比较数值。
- 阅读关注点
- 应核对线性泛函的连续性所依赖的函数空间、极小极大校正的优化问题，以及效率结论对初始估计和因果识别的要求。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或被期刊接收；弱条件和实证比较细节均未在摘要中说明。
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.