Kernel Ridge Riesz Representers: Generalization, Mis-specification, and the Counterfactual Effective Dimension
核岭 Riesz 表示元：泛化、误设与反事实有效维度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：摘要明确研究处理效应、反事实权重及异质性因果函数的推断，直接属于因果推断。
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
核岭 Riesz 表示元：泛化、误设与反事实有效维度
- 研究问题
- 如何刻画核平衡权重的泛化误差，放松特征正确设定的要求，并将平均处理效应的高斯近似扩展到异质性因果效应函数？
- 方法与思路
- 作者将核平衡权重解释为核岭 Riesz 表示元，通过反事实有效维度刻画误差与推断，并应用于按年龄变化的 401(k) 资格效应。
- 材料陈述的贡献
- 摘要称，框架给出总体 L2 误差率与可插值的闭式解，放松回归特征正确设定要求，并支持异质性因果函数的置信集合。
- 阅读关注点
- 应核对反事实有效维度的定义、误设允许范围、正则化与高斯近似条件，以及年龄异质效应的目标函数和置信集合构造。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；具体因果识别假设、误差率表达式和覆盖条件未说明，不能推断任意误设均可处理。
原文摘要
Kernel balancing weights provide confidence intervals for average treatment effects, based on the idea of balancing covariates for the treated group and untreated group in feature space, often with ridge regularization. Previous works on the classical kernel ridge balancing weights have certain limitations: (i) not articulating generalization error for the balancing weights, (ii) typically requiring correct specification of features, and (iii) justifying Gaussian approximation for only average effects. I interpret kernel balancing weights as kernel ridge Riesz representers (KRRR) and address these limitations via a new characterization of the counterfactual effective dimension. KRRR is an exact generalization of kernel ridge regression and kernel ridge balancing weights. I prove strong properties similar to kernel ridge regression: population $L_2$ rates controlling generalization error, and a standalone closed form solution that can interpolate. The framework relaxes the stringent assumption that the underlying regression model is correctly specified by the features. It extends Gaussian approximation beyond average effects to heterogeneous effects, justifying confidence sets for causal functions. I use KRRR to quantify uncertainty for heterogeneous treatment effects, by age, of 401(k) eligibility on assets.