Structure-agnostic Optimality of Doubly Robust Learning for Treatment Effect Estimation
处理效应估计中双重稳健学习的结构无关最优性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：摘要直接研究平均处理效应、已处理者平均处理效应及双重稳健估计。
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
处理效应估计中双重稳健学习的结构无关最优性
- 研究问题
- 当干扰函数仅能通过具有给定估计速率的黑箱学习器获得时，双重稳健处理效应估计能否达到统计最优性，尤其是在无法达到参数速率时？
- 方法与思路
- 作者采用结构无关的统计下界框架，不对干扰函数额外规定结构，仅允许调用具有一定估计速率的非参数回归和分类黑箱。
- 材料陈述的贡献
- 摘要称，在该框架内证明了平均处理效应、已处理者平均处理效应及政策评价中加权平均处理效应的双重稳健估计最优性。
- 阅读关注点
- 应核对黑箱估计误差的度量、允许使用的信息及估计器类别，并确认下界与上界如何匹配，以及最优性覆盖哪些速率区间。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未说明具体下界和正则条件，不能把框架内最优性推广为所有信息条件下的最优性。
原文摘要
Average treatment effect estimation is the most central problem in causal inference with application to numerous disciplines. While many estimation strategies have been proposed in the literature, the statistical optimality of these methods has still remained an open area of investigation, especially in regimes where these methods do not achieve parametric rates. In this paper, we adopt the recently introduced structure-agnostic framework of statistical lower bounds, 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 prove the statistical optimality of the celebrated and widely used doubly robust estimators for both the Average Treatment Effect (ATE) and the Average Treatment Effect on the Treated (ATT), as well as weighted variants of the former, which arise in policy evaluation.