Debiased machine learning of set-identified linear models
集合识别线性模型的去偏机器学习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：摘要明确列出部分线性 IV 与平均偏导模型，并处理区间结果变量下的集合识别和推断，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…
关注这篇论文的作者
集合识别线性模型的去偏机器学习
- 研究问题
- 当集合识别模型包含大量需要正则化选择的协变量时，如何估计识别集合的边界，并对整个边界开展有效的一致推断？
- 方法与思路
- 作者以半参数矩方程刻画识别集合的支撑函数，结合 Neyman 正交性与样本分割构造估计量，并使用乘子 bootstrap 推断。
- 材料陈述的贡献
- 摘要称，边界估计量具有根 N 一致性和一致渐近高斯性质，方法适用于区间结果变量下的部分线性、部分线性 IV 及平均偏导模型。
- 阅读关注点
- 应核对支撑函数表示的条件、干扰函数估计误差要求及样本分割方式，并查看乘子 bootstrap 如何覆盖整个边界。
- 阅读边界
- 仅据所给 OpenAlex 摘要，不能判断根 N 结论所需的正则化速度和识别条件；所列模型应用不等于任意集合识别问题均适用。
原文摘要
This paper provides estimation and inference methods for an identified set’s boundary (i.e., support function) where the selection among a very large number of covariates is based on modern regularized tools. I characterize the boundary using a semiparametric moment equation. Combining Neyman-orthogonality and sample splitting ideas, I construct a root-N consistent, uniformly asymptotically Gaussian estimator of the boundary and propose a multiplier bootstrap procedure to conduct inference. I apply this result to the Partially Linear Model, the Partially Linear IV Model and the Average Partial Derivative with an interval-valued outcome.