Optimal and Structure-Adaptive CATE Estimation with Kernel Ridge Regression
利用核岭回归实现最优且结构自适应的条件处理效应估计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：摘要明确以条件平均处理效应估计和处理重叠为研究对象，属于因果推断；核方法本身不足以支持其他领域细分。
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
利用核岭回归实现最优且结构自适应的条件处理效应估计
- 研究问题
- 当条件平均处理效应比辅助响应函数更简单时，如何让估计速率由效应函数自身的复杂度决定，并适应未知的效应正则性？
- 方法与思路
- 作者提出统一的两阶段核岭回归，覆盖低复杂度核空间、源条件及已知低维表示三类结构，再对候选效应空间和正则化水平选择模型。
- 材料陈述的贡献
- 摘要称方法达到由效应函数复杂度及重叠程度决定的极小极大速率，并通过模型选择建立预言机不等式，实现未知正则性下的适应。
- 阅读关注点
- 应核对三类结构条件如何进入误差界、重叠程度如何影响速率，以及两阶段估计和模型选择是否需要额外样本划分或已知信息。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未给出具体速率、识别条件或计算代价，不能推断对任意效应函数均最优。
原文摘要
We propose an optimal algorithm for estimating conditional average treatment effects (CATEs) when response functions lie in a reproducing kernel Hilbert space (RKHS). We study settings in which the contrast function is structurally simpler than the nuisance functions: (i) it lies in a lower-complexity RKHS with faster eigenvalue decay, (ii) it satisfies a source condition relative to the nuisance kernel, or (iii) it depends on a known low-dimensional covariate representation. We develop a unified two-stage kernel ridge regression (KRR) method that attains minimax rates governed by the complexity of the contrast function rather than the nuisance class, in terms of both sample size and overlap. We also show that a simple model-selection step over candidate contrast spaces and regularization levels yields an oracle inequality, enabling adaptation to unknown CATE regularity.