Locally Robust Semiparametric Estimation
局部稳健的半参数估计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。
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：摘要明确讨论因果参数、高维条件分位数函数及动态离散选择参数，分别对应因果推断、分布效应和离散选择。
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…
局部稳健的半参数估计
- 研究问题
- 经济与因果参数依赖非参数或高维第一步估计时，如何减少模型选择和正则化偏差，并为后续参数估计建立可用的渐近推断？
- 方法与思路
- 作者构造对第一步局部不敏感的正交 GMM 矩函数，结合交叉拟合，并给出附加第一步估计、双重稳健性及渐近理论的处理方法。
- 材料陈述的贡献
- 摘要称，方法支持高维条件分位数函数和动态离散选择参数的去偏估计；矩条件数等于目标参数数目时，相关标准误对误设稳健。
- 阅读关注点
- 应核对局部正交与附加第一步全局不敏感的区别、双重稳健性的成立条件，以及交叉拟合和第一步收敛速度如何支撑推断。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未列出具体正则条件，也未说明各应用的识别假设，不能把正交性视为自动保证有效推断或推断刊本变化。
原文摘要
Many economic and causal parameters depend on nonparametric or high dimensional first steps. We give a general construction of locally robust/orthogonal moment functions for GMM, where first steps have no effect, locally, on average moment functions. Using these orthogonal moments reduces model selection and regularization bias, as is important in many applications, especially for machine learning first steps. Also, associated standard errors are robust to misspecification when there is the same number of moment functions as parameters of interest. We use these orthogonal moments and cross‐fitting to construct debiased machine learning estimators of functions of high dimensional conditional quantiles and of dynamic discrete choice parameters with high dimensional state variables. We show that additional first steps needed for the orthogonal moment functions have no effect, globally, on average orthogonal moment functions. We give a general approach to estimating those additional first steps. We characterize double robustness and give a variety of new doubly robust moment functions. We give general and simple regularity conditions for asymptotic theory.