Deep Partial Least Squares for Instrumental Variable Regression
用于工具变量回归的深度偏最小二乘法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：摘要以工具变量回归及生育对劳动供给的效应估计为内容，直接对应因果推断方法。
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…
用于工具变量回归的深度偏最小二乘法
- 研究问题
- 在工具变量和协变量维度较高、回归关系非线性时，如何进行有效的特征筛选与降维，并构造灵活的工具变量估计？
- 方法与思路
- 作者先用偏最小二乘筛选和压缩工具变量及协变量，再接入深度神经网络；摘要援引既有结果支持特征选择的一致性。
- 材料陈述的贡献
- 摘要提出深度偏最小二乘方法，并称其在合成资料及生育对母亲劳动供给的应用中优于相关方法，但未报告改善幅度。
- 阅读关注点
- 核对既有一致性结果能否适用于完整深度估计流程、工具变量有效性条件，以及神经网络训练、调参与比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明非线性工具变量模型的完整识别条件，既有理论不等于新方法保证。
原文摘要
In this paper, we propose deep partial least squares for the estimation of high-dimensional nonlinear instrumental variable regression. As a precursor to a flexible deep neural network architecture, our methodology uses partial least squares for dimension reduction and feature selection from the set of instruments and covariates. A central theoretical result, due to Brillinger (2012) shows that the feature selection provided by partial least squares is consistent and the weights are estimated up to a proportionality constant. We illustrate our methodology with synthetic datasets with a sparse and correlated network structure and draw applications to the effect of childbearing on the mother's labor supply based on classic data of Angrist and Evans (1996). The results on synthetic data as well as applications show that the deep partial least squares method significantly outperforms other related methods. Finally, we conclude with directions for future research.