Fast Instrument Learning with Faster Rates
具有更快收敛率的快速工具变量学习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：摘要直接研究高维工具变量下的非线性 IV 回归，最贴近因果推断中的工具变量方法，未明确给出经济结构模型。
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
具有更快收敛率的快速工具变量学习
- 研究问题
- 在高维工具变量的非线性 IV 回归中，如何获得较快收敛并适应有效潜在特征维度，同时降低既有算法的优化成本？
- 方法与思路
- 作者将核化 IV 方法与可作为黑箱调用的自适应回归算法结合，避免昂贵的极小极大优化，并用于准贝叶斯不确定性分析。
- 材料陈述的贡献
- 摘要称算法获得更快收敛率并适应信息性潜在特征维度，还可用于似然模型选择和模型平均；模拟显示具有竞争力。
- 阅读关注点
- 核对工具变量有效性与识别条件、收敛率所依赖的平滑性和维度，以及黑箱回归的误差要求与准贝叶斯区间的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出具体收敛率、完整条件或模拟数值，不能判断加速保证的适用范围。
原文摘要
We investigate nonlinear instrumental variable (IV) regression given high-dimensional instruments. We propose a simple algorithm which combines kernelized IV methods and an arbitrary, adaptive regression algorithm, accessed as a black box. Our algorithm enjoys faster-rate convergence and adapts to the dimensionality of informative latent features, while avoiding an expensive minimax optimization procedure, which has been necessary to establish similar guarantees. It further brings the benefit of flexible machine learning models to quasi-Bayesian uncertainty quantification, likelihood-based model selection, and model averaging. Simulation studies demonstrate the competitive performance of our method.