Adversarial Estimation of Riesz Representers
Riesz 表示元的对抗估计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：摘要明确关联因果参数、去偏机器学习推断及配套补助的异质效应分析。
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…
Riesz 表示元的对抗估计
- 研究问题
- 如何在一般函数空间中估计回归线性泛函的 Riesz 表示元，为因果参数的半参数估计与有效推断提供支持？
- 方法与思路
- 作者提出对抗估计框架，以临界半径刻画非渐近均方误差率，并分别分析神经网络、随机森林和核函数空间。
- 材料陈述的贡献
- 摘要称其保证可支持允许模型误设的去偏推断，并在稳定性或复杂度条件下实现不依赖样本分割的推断。
- 阅读关注点
- 应核对目标泛函、临界半径和函数空间条件，以及有无样本分割时的推断要求和配套补助异质效应应用。
- 阅读边界
- 摘要未列出误设容许范围及稳定性条件；模拟中的名义覆盖表现并不构成对任意非线性问题的普遍保证。
原文摘要
Many causal parameters are linear functionals of an underlying regression. The Riesz representer is a key component in the asymptotic variance of a semiparametrically estimated linear functional. We propose an adversarial framework to estimate the Riesz representer using general function spaces. We prove a nonasymptotic mean square rate in terms of an abstract quantity called the critical radius, then specialize it for neural networks, random forests, and reproducing kernel Hilbert spaces as leading cases. Our estimators are highly compatible with targeted and debiased machine learning with sample splitting; our guarantees directly verify general conditions for inference that allow mis-specification. We also use our guarantees to prove inference without sample splitting, based on stability or complexity. Our estimators may achieve nominal coverage in highly nonlinear simulations where some previous methods may not. They shed new light on the heterogeneous effects of matching grants. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.