Debiased Machine Learning: Identification, Estimation, and Shape Constraints
去偏机器学习：识别、估计与形状约束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：摘要主要呈现通用矩条件与去偏机器学习理论，未明确具体因果目标、面板结构或其他给定细分领域。
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
去偏机器学习：识别、估计与形状约束
- 研究问题
- 当目标参数由含高维干扰函数的矩条件识别时，如何识别和估计去偏所需的 Riesz 表示元，并纳入形状约束？
- 方法与思路
- 作者以二次泛函的唯一最优解刻画表示元识别，构造兼容内生性模型、筛法和神经网络的估计程序，并约束干扰函数空间。
- 材料陈述的贡献
- 摘要提出统一的表示元识别与估计框架，并通过形状约束改善精度、缓解维数问题，另以模拟和实证作说明。
- 阅读关注点
- 应核对表示元存在与唯一性的条件、内生性下的函数空间，以及非线性形状约束如何影响估计误差和最终推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实；摘要未说明具体约束、应用对象和数值结果，不能判断精度改善范围。
原文摘要
We develop a general framework of identification and estimation for automatic debiased machine learning (DML) where the parameter of interest $θ_0$ is identified by a moment condition involving a nuisance $γ_0$ that may be high dimensional. We establish conditions under which the Riesz representer $α_0$, which is at the core of DML, is identified, and show that the identification occurs precisely when $α_0$ uniquely optimizes a quadratic functional. This characterization enables us to develop a general estimation procedure for $α_0$ that allows for generic $γ_0$ including those defined by models with endogeneity and encompasses both classical sieves and modern architectures such as deep neural networks. To improve estimation precision and mitigate the curse of dimensionality, we incorporate shape constraints on $γ_0$ by embedding them into a possibly nonlinear parameter space. We illustrate our estimation procedure through simulations and empirical applications.