Identification and Semiparametric Estimation of Conditional Means from Aggregate Data
利用聚合数据识别与半参数估计条件均值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：摘要研究聚合数据的生态推断与群体条件均值，未直接涉及所列因果、分位数或其他细分框架。
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
利用聚合数据识别与半参数估计条件均值
- 研究问题
- 仅观察地理区域等聚合单位的结果均值和群体指标均值时，如何识别群体内部的结果均值，并控制协变量及评估识别假设偏离？
- 方法与思路
- 作者提出条件于协变量的识别条件，使用辅助函数受部分线性形式限制的去偏机器学习估计，并构造敏感性分析和识别假设的非参数检验。
- 材料陈述的贡献
- 摘要称，方法弱化既有生态推断的聚合假设，并在额外条件下给出局部单位估计的有效置信区间；模拟与有真值数据的验证展示优势。
- 阅读关注点
- 应核对聚合过程的关键识别条件、部分线性限制、识别假设检验的含义，以及局部单位置信区间所需额外假设与敏感性参数。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未列出具体识别条件和检验能力，软件可用性及验证优势亦未独立核验。
原文摘要
We introduce a new method for estimating the mean of an outcome variable within groups when researchers only observe the average of the outcome and group indicators across a set of aggregation units, such as geographical areas. Existing methods for this problem, also known as ecological inference, implicitly make strong assumptions about the aggregation process. We first formalize weaker conditions for identification which hold conditionally on covariates. To efficiently control for many covariates, we propose a debiased machine learning estimator that is based on nuisance functions restricted to a partially linear form. Our estimator admits a semiparametric sensitivity analysis which allows researchers to evaluate the impact of violations of the key identifying assumption. We also propose a nonparametric test for the identifying assumption itself. Finally, we derive asymptotically valid confidence intervals for local, unit-level estimates under additional assumptions. Simulations and validation on real-world data where ground truth is available demonstrate the advantages of our approach over existing methods. Open-source software is available which implements the proposed methods.