Efficient estimation and data fusion under general semiparametric restrictions on outcome mean functions
结局均值函数一般半参数约束下的有效估计与数据融合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：摘要以随机试验和有偏观测数据融合来提高因果效应估计精度为主要动机，因此对应因果推断。
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…
关注这篇论文的作者
结局均值函数一般半参数约束下的有效估计与数据融合
- 研究问题
- 当随机试验之外还有存在混杂或其他偏差的观测数据时，如何将结局条件均值函数上的已知约束转化为精度收益，并统一刻画有效估计？
- 方法与思路
- 作者刻画已知半参数函数类约束下的效率，将多种试验与观测数据融合假设表示为合并数据的结局均值限制，并据此构造有效估计量。
- 材料陈述的贡献
- 摘要称，该理论统一多种既有偏差假设并支持其他约束；在结局介导选择偏差的例子中，新估计量在渐近分析及数值研究中优于既有控制变量方法。
- 阅读关注点
- 应核对函数类约束的可解释性、效率界和估计量构造，以及融合时允许哪些偏差；尤其检查示例中的优势是否依赖正确的限制与干扰参数估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明各类约束、效率结论和估计条件，不能将特定偏差情形下的优势推广至任意观测数据。
原文摘要
We provide a novel characterization of semiparametric efficiency in a generic supervised learning setting where the outcome mean function -- defined as the conditional expectation of the outcome of interest given the other observed variables -- is restricted to lie in some known semiparametric function class. The primary motivation is causal inference where a researcher running a randomized controlled trial often has access to an auxiliary observational dataset that is confounded or otherwise biased for estimating causal effects. Prior work has imposed various bespoke assumptions on this bias in an attempt to improve precision via data fusion. We show how many of these assumptions can be formulated as restrictions on the outcome mean function in the concatenation of the experimental and observational datasets. Then our theory provides a unified framework to maximally leverage such restrictions for precision gain by constructing efficient estimators in all of these settings as well as in a wide range of others that future investigators might be interested in. For example, when the observational dataset is subject to outcome-mediated selection bias, we show our novel efficient estimator dominates an existing control variate approach both asymptotically and in numerical studies.