Multi-source Learning for Target Population by High-dimensional Calibration
面向目标总体的高维校准多源学习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。
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：摘要讨论的是多源数据下一般估计方程的高维校准与稳健估计理论，未涉及所给领域细分中的因果推断、面板、离散选择、时间序列、资产定价等具体方向，故不选择。
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
面向目标总体的高维校准多源学习
- 研究问题
- 摘要称，研究如何在目标总体没有观测响应的情况下，结合多个分布异质的数据集，估计目标总体的感兴趣参数。
- 方法与思路
- 作者提出高维去偏校准（HDC）方法与多源 HDC（MHDC）估计量，用于一般估计方程；HDC 通过在增广协变量集上做高维协变量平衡实现目标参数的 Neyman 正交性，避免增广逆概率加权形式，并给出更易求解的优化算法。
- 材料陈述的贡献
- 摘要称 MHDC 整合多源数据，允许密度比与结果回归模型的灵活设定，对模型误设具有多重稳健性；建立了渐近正态性，并提出检验多源数据可迁移性条件的设定检验；相较单源 HDC 估计量的线性组合，联合利用所有数据源可提升效率。
- 阅读关注点
- 应核对 Neyman 正交性的具体构造与识别假设、多重稳健性成立所需条件、渐近正态性的正则条件与方差估计、可迁移性检验的原假设与功效，以及模拟与气象数据实证的设计和对比基准。
- 阅读边界
- 仅依据摘要，无法判断定理条件、估计量有限样本表现、模拟与实证的具体数值结论；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Multi-source learning is an emerging area of research in statistics, where information from multiple datasets with heterogeneous distributions is combined to estimate the parameter of interest for a target population without observed responses. We propose a high-dimensional debiased calibration (HDC) method and a multi-source HDC (MHDC) estimator for general estimating equations. The HDC method uses a novel approach to achieve Neyman orthogonality for the target parameter via high-dimensional covariate balancing on an augmented set of covariates. It avoids the augmented inverse probability weighting formulation and leads to an easier optimization algorithm for the target parameter in estimating equations and M-estimation. The proposed MHDC estimator integrates multi-source data while supporting flexible specifications for both density ratio and outcome regression models, achieving multiple robustness against model misspecification. Its asymptotic normality is established, and a specification test is proposed to examine the transferability condition for the multi-source data. Compared to the linear combination of single-source HDC estimators, the MHDC estimator improves efficiency by jointly utilizing all data sources. Through simulation studies, we show that the MHDC estimator accommodates multiple sources and multiple working models effectively and performs better than the existing doubly robust estimators for multi-source learning. An empirical analysis of a meteorological dataset demonstrates the utility of the proposed method in practice.