Semiparametric doubly robust targeted double machine learning: a review
半参数双重稳健目标化双重机器学习综述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：摘要明确以因果推断问题中的参数为重点，讨论其非参数估计与效率。
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
半参数双重稳健目标化双重机器学习综述
- 研究问题
- 对因果推断中的非参数目标泛函，如何理解最佳可达估计性能，并判断具体估计量的误差及其是否达到效率界？
- 方法与思路
- 作者综述效率界与估计量分析，强调极小极大式效率界、具体算例和简化推导的方法，以直觉解释主要概念。
- 材料陈述的贡献
- 摘要所述贡献是整理有效非参数估计的基础框架，连接效率界与估计误差分析，并提供帮助理解推导的实例和捷径。
- 阅读关注点
- 应核对不同效率概念及其适用范围、例题中的目标参数与条件，以及双重稳健和机器学习误差如何进入推断结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；作者明确略去多数技术细节，摘要也未列出具体弱假设与定理条件。
原文摘要
In this review we cover the basics of efficient nonparametric parameter estimation (also called functional estimation), with a focus on parameters that arise in causal inference problems. We review both efficiency bounds (i.e., what is the best possible performance for estimating a given parameter?) and the analysis of particular estimators (i.e., what is this estimator's error, and does it attain the efficiency bound?) under weak assumptions. We emphasize minimax-style efficiency bounds, worked examples, and practical shortcuts for easing derivations. We gloss over most technical details, in the interest of highlighting important concepts and providing intuition for main ideas.