Sharp Structure-Agnostic Lower Bounds for General Linear Functional Estimation
一般线性泛函估计的尖锐结构无关下界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：摘要明确证明平均处理效应双重稳健估计的最优性，提供了直接的因果推断分类依据。
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
一般线性泛函估计的尖锐结构无关下界
- 研究问题
- 当未知辅助函数仅能通过具有给定估计速率的黑箱方法学习时，线性泛函估计的最优误差率是什么，双重稳健与一阶去偏何时最优？
- 方法与思路
- 作者采用结构无关框架，不额外规定辅助函数结构，推导一般线性泛函的极小极大速率，并区分可实现与不可实现双重稳健的两类情形。
- 材料陈述的贡献
- 摘要称证明平均处理效应双重稳健估计的统计最优性，并表明一阶去偏在两类情形中均最优，扩展到广义回归及训练测试分布偏移。
- 阅读关注点
- 应核对黑箱访问方式与速率约束、下界所覆盖的估计策略，以及两类情形的划分条件；特别检查最优性对损失和参数空间的依赖。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未给出具体速率公式或完整条件，最优性仅能在其结构无关框架内理解。
原文摘要
We establish a general statistical optimality theory for estimation problems where the target parameter is a linear functional of an unknown nuisance component that must be estimated from data. This formulation covers many causal and predictive parameters and has applications to numerous disciplines. We adopt the structure-agnostic framework introduced by \citet{balakrishnan2023fundamental}, which poses no structural properties on the nuisance functions other than access to black-box estimators that achieve some statistical estimation rate. This framework is particularly appealing when one is only willing to consider estimation strategies that use non-parametric regression and classification oracles as black-box sub-processes. Within this framework, we first prove the statistical optimality of the celebrated and widely used doubly robust estimators for the Average Treatment Effect (ATE), the most central parameter in causal inference. We then characterize the minimax optimal rate under the general formulation. Notably, we differentiate between two regimes in which double robustness can and cannot be achieved and in which first-order debiasing yields different error rates. Our result implies that first-order debiasing is simultaneously optimal in both regimes. We instantiate our theory by deriving optimal error rates that recover existing results and extend to various settings of interest, including the case when the nuisance is defined by generalized regressions and when covariate shift exists for training and test distribution.