Debiased machine learning of global and local parameters using regularized Riesz representers
利用正则化 Riesz 表示元对全局与局部参数进行去偏机器学习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：摘要明确将平均处理效应、政策效应及其条件版本列为推断目标，因此选择因果推断，未据一般推断术语扩展分类。
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…
利用正则化 Riesz 表示元对全局与局部参数进行去偏机器学习
- 研究问题
- 如何对条件期望函数的全局及局部线性泛函进行自适应推断，并在回归函数或 Riesz 表示元较稠密时维持有效性？
- 方法与思路
- 作者以正则化估计 Riesz 表示元，将其作为额外干扰参数构造 Neyman 正交方程，并分析规则与非规则目标参数。
- 材料陈述的贡献
- 摘要称，方法具有弱双重稀疏稳健性；非渐近结果推出大类模型上的渐近一致有效性，并支持全局与局部参数的诚实置信带。
- 阅读关注点
- 应核对稀疏与稠密近似的具体条件、局部目标的处理、正则化选择，以及置信带成立所需的模型类限制。
- 阅读边界
- 摘要未给出误差界和稀疏度条件；弱双重稀疏稳健性不表示两类近似都可任意稠密，置信带保证也依赖未列明条件。
原文摘要
Summary We provide adaptive inference methods, based on $\ell _1$ regularization, for regular (semiparametric) and nonregular (nonparametric) linear functionals of the conditional expectation function. Examples of regular functionals include average treatment effects, policy effects, and derivatives. Examples of nonregular functionals include average treatment effects, policy effects, and derivatives conditional on a covariate subvector fixed at a point. We construct a Neyman orthogonal equation for the target parameter that is approximately invariant to small perturbations of the nuisance parameters. To achieve this property, we include the Riesz representer for the functional as an additional nuisance parameter. Our analysis yields weak ‘double sparsity robustness’: either the approximation to the regression or the approximation to the representer can be ‘completely dense’ as long as the other is sufficiently ‘sparse’. Our main results are nonasymptotic and imply asymptotic uniform validity over large classes of models, translating into honest confidence bands for both global and local parameters.