Demystifying statistical learning based on efficient influence functions
理解基于有效影响函数的统计学习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。
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：摘要以处理效应评估为明确应用，并讨论目标学习和去偏机器学习的估计构造，因此对应因果推断，同时覆盖更一般目标量。
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…
理解基于有效影响函数的统计学习
- 研究问题
- 为什么直接使用预测导向的机器学习可能妨碍处理效应等目标量的有效推断，以及有效影响函数如何帮助构造去偏估计？
- 方法与思路
- 作者重点解释非参数模型下有效影响函数的推导，并说明如何据此构造统计学习估计量，讨论表现所需条件并提供多种例子。
- 材料陈述的贡献
- 摘要所述贡献主要是教学性梳理：连接影响函数推导、目标学习和去偏机器学习，使读者理解估计量构造及其有效推断条件。
- 阅读关注点
- 核对每个目标量的影响函数如何推导、去偏步骤如何实施，以及学习误差和正则条件怎样支持推断，避免仅凭预测精度判断有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列出各例子的完整条件，也未声称提出普遍优于既有方法的新估计量。
原文摘要
Evaluation of treatment effects and more general estimands is typically achieved via parametric modelling, which is unsatisfactory since model misspecification is likely. Data-adaptive model building (e.g. statistical/machine learning) is commonly employed to reduce the risk of misspecification. Naive use of such methods, however, delivers estimators whose bias may shrink too slowly with sample size for inferential methods to perform well, including those based on the bootstrap. Bias arises because standard data-adaptive methods are tuned towards minimal prediction error as opposed to e.g. minimal MSE in the estimator. This may cause excess variability that is difficult to acknowledge, due to the complexity of such strategies. Building on results from non-parametric statistics, targeted learning and debiased machine learning overcome these problems by constructing estimators using the estimand's efficient influence function under the non-parametric model. These increasingly popular methodologies typically assume that the efficient influence function is given, or that the reader is familiar with its derivation. In this paper, we focus on derivation of the efficient influence function and explain how it may be used to construct statistical/machine-learning-based estimators. We discuss the requisite conditions for these estimators to perform well and use diverse examples to convey the broad applicability of the theory.