Orthogonal Series Estimation for the Ratio of Conditional Expectation Functions
条件期望函数之比的正交级数估计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。
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：摘要明确以比值型处理效应及 401(k) 因果效应为应用；未涉及分位数或分布效应的专门估计。
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
条件期望函数之比的正交级数估计
- 研究问题
- 当目标参数可写为条件期望函数之比时，如何结合灵活机器学习进行估计，并构造点态和一致有效的统计推断？
- 方法与思路
- 作者先通过去偏机器学习构造正交信号，再使用针对条件期望函数比值设计的级数估计量，推导渐近结果及高斯自助法有效性。
- 材料陈述的贡献
- 摘要称，论文建立了允许机器学习辅助估计的一般框架，给出具体例子的充分条件，并通过模拟及家庭资产上的 401(k) 因果效应展示应用。
- 阅读关注点
- 应核对比值分母的约束、正交信号的构造、级数维度选择，以及点态推断、一致推断和高斯自助法分别要求哪些条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核验；摘要未给出具体正则条件、误差界或应用结果，不能认为所有比值型参数均适用。
原文摘要
In various fields of data science, researchers are often interested in estimating the ratio of conditional expectation functions (CEFR). Specifically in causal inference problems, it is sometimes natural to consider ratio-based treatment effects, such as odds ratios and hazard ratios, and even difference-based treatment effects are identified as CEFR in some empirically relevant settings. This chapter develops the general framework for estimation and inference on CEFR, which allows the use of flexible machine learning for infinite-dimensional nuisance parameters. In the first stage of the framework, the orthogonal signals are constructed using debiased machine learning techniques to mitigate the negative impacts of the regularization bias in the nuisance estimates on the target estimates. The signals are then combined with a novel series estimator tailored for CEFR. We derive the pointwise and uniform asymptotic results for estimation and inference on CEFR, including the validity of the Gaussian bootstrap, and provide low-level sufficient conditions to apply the proposed framework to some specific examples. We demonstrate the finite-sample performance of the series estimator constructed under the proposed framework by numerical simulations. Finally, we apply the proposed method to estimate the causal effect of the 401(k) program on household assets.