Multiply Robust Estimator Circumvents Hyperparameter Tuning of Neural Network Models in Causal Inference
以多重稳健估计整合因果推断中的神经网络调参模型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：摘要明确以平均处理效应为目标，整合处理模型与结果模型并研究稳健推断，因此归入因果推断。
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
以多重稳健估计整合因果推断中的神经网络调参模型
- 研究问题
- 平均处理效应的两阶段估计中，如何整合不同超参数下的处理与结果模型，减少选择单个模型带来的估计和推断困难？
- 方法与思路
- 作者以多重稳健估计量整合多个一阶段模型，研究其估计方程表示、收敛速度、渐近正态性及无需知晓真实模型的标准误。
- 材料陈述的贡献
- 摘要称一个一阶段模型的 n^r 一致性可传递给估计量，且某个处理模型具有根号 n 一致性时可得渐近正态性，并提供模拟。
- 阅读关注点
- 应核对多模型整合规则、收敛率传递的完整条件、渐近正态性的处理模型要求，以及标准误如何处理一阶段估计误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出完整正则条件，也不能据此断言任何神经网络都无需调参。
原文摘要
Estimation of the Average Treatment Effect (ATE) is often carried out in 2 steps, wherein the first step, the treatment and outcome are modeled, and in the second step the predictions are inserted into the ATE estimator. In the first steps, numerous models can be fit to the treatment and outcome, including using machine learning algorithms. However, it is a difficult task to choose among the hyperparameter sets which will result in the best causal effect estimation and inference. Multiply Robust (MR) estimator allows us to leverage all the first-step models in a single estimator. We show that MR estimator is $n^r$ consistent if one of the first-step treatment or outcome models is $n^r$ consistent. We also show that MR is the solution to a broad class of estimating equations, and is asymptotically normal if one of the treatment models is $\sqrt{n}$-consistent. The standard error of MR is also calculated which does not require a knowledge of the true models in the first step. Our simulations study supports the theoretical findings.