Higher-Order Debiased Estimators for General Treatment Models
一般处理模型中的高阶去偏估计器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：摘要明确研究非可分结构模型中的处理效应、分位数效应和剂量响应，对应因果、分布效应与结构估计。
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
一般处理模型中的高阶去偏估计器
- 研究问题
- 分位数处理效应及复杂政策效应常由非线性估计方程隐式定义，如何将高阶影响函数方法推广至这些目标并减轻辅助函数限制？
- 方法与思路
- 作者针对一类非可分结构模型构造高阶估计器，处理隐式 M/Z 估计问题，并利用 U 过程理论推导其统计性质。
- 材料陈述的贡献
- 摘要称，对分位数处理效应、分位数剂量响应等目标，新估计器相较已有替代方法放宽了辅助参数所需的 Hölder 平滑要求。
- 阅读关注点
- 应核对结构模型的识别条件、隐式目标的局部可解性、高阶修正构造，以及平滑要求与收敛速度比较的具体范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列明平滑阈值、速率和计算成本，不能据此断言所有复杂目标均受益。
原文摘要
It is now well known that estimators based on influence functions can be sub-optimal in terms of convergence rates in various settings. To address this issue, higher-order influence functions (HOIF) are developed, generalizing the classical semiparametric theory. However, most existing results in this regard focus on treatment effect parameters defined in explicit forms, such as average treatment effects (ATE). In applications, economists are often confronted with tasks of inferring more complex parameters, such as quantile treatment effects (QTE) or effects of complicated treatment regimes/policy. These more complex parameters can often only be implicitly defined as the solution to nonlinear estimating equations, which correspond to M/Z-estimation problems. Our current understanding of these problems is mainly limited to the classical semiparametric theory. Given the foundational role of HOIF for estimating explicit parameters such as ATE, a modest step toward enriching the statistical foundation of econometrics and causal inference is to develop the corresponding higher-order estimators for those more complex parameters. To this end, we consider parameters of a class of non-separable structural models in the econometrics literature and develop a class of higher-order estimators for the target parameters. Statistical properties of these higher-order estimators are derived using recent advances in U-processes theory. Our proposed higher-order estimators relax complexity-reducing assumptions, quantified by Holder smoothness, imposed on the nuisance parameters compared to existing alternative estimators for many important parameters in this class, including QTE and quantile dose-response functions, among others.