Towards a Unified Theory for Semiparametric Data Fusion with Individual-Level Data
个体数据半参数融合的统一理论探索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：摘要主旨是一般半参数数据融合理论，两样本工具变量等仅为示例，尚不足以限定所列细分方向。
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…
个体数据半参数融合的统一理论探索
- 研究问题
- 多个独立来源的个体数据分别对齐目标分布的不同条件或边际分布时，如何统一推断光滑有限维参数，尤其在对齐不属于同一分解时？
- 方法与思路
- 作者放宽既有数据融合理论对单一联合分布分解的要求，在条件与边际分布对齐假设下，刻画正则渐近线性估计量的影响函数及效率界。
- 材料陈述的贡献
- 摘要称，理论覆盖无法纳入单一分解的融合场景，并给出影响函数类与有效影响函数的一般刻画，为机器学习去偏和半参数有效估计提供基础。
- 阅读关注点
- 应核对各来源的分布对齐、数据支持和采样假设，目标参数的可识别性及路径可微性，以及影响函数刻画如何落实为可行估计程序。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核验；摘要未给出完整条件、公式和具体算法，提供效率理论基础不等于已实现有效估计。
原文摘要
We address the goal of conducting inference about a smooth finite-dimensional parameter by utilizing individual-level data from various independent sources. Recent advancements have led to the development of a comprehensive theory capable of handling scenarios where different data sources align with, possibly distinct subsets of, conditional distributions of a single factorization of the joint target distribution. While this theory proves effective in many significant contexts, it falls short in certain common data fusion problems, such as two-sample instrumental variable analysis, settings that integrate data from epidemiological studies with diverse designs (e.g., prospective cohorts and retrospective case-control studies), and studies with variables prone to measurement error that are supplemented by validation studies. In this paper, we extend the aforementioned comprehensive theory to allow for the fusion of individual-level data from sources aligned with conditional distributions that do not correspond to a single factorization of the target distribution. Assuming conditional and marginal distribution alignments, we provide universal results that characterize the class of all influence functions of regular asymptotically linear estimators and the efficient influence function of any pathwise differentiable parameter, irrespective of the number of data sources, the specific parameter of interest, or the statistical model for the target distribution. This theory paves the way for machine-learning debiased, semiparametric efficient estimation.