論文の概要: Two Approaches to Direct Estimation of Riesz Representers

• arxiv url: http://arxiv.org/abs/2603.20936v1
• Date: Sat, 21 Mar 2026 20:35:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.160019
• Title: Two Approaches to Direct Estimation of Riesz Representers
• Title（参考訳）: Riesz表現子の直接推定への2つのアプローチ
• Authors: David Bruns-Smith,
• Abstract要約: リース表現器は半パラメトリック統計学と偏り/二重ロマンス推定の中心的な対象である。 正規化あるいはリッジ正規化線形, シーブ, RKHSモデルでは, 2つの推定器は数値的に等価であることを示す。 このアプローチは計算複雑性の増大を犠牲にして統計的に有利な結果をもたらす可能性があると推測する。
• 参考スコア（独自算出の注目度）: 2.071178978151875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Riesz representer is a central object in semiparametric statistics and debiased/doubly-robust estimation. Two literatures in econometrics have highlighted the role for directly estimating Riesz representers: the automatic debiased machine learning literature (as in Chernozhukov et al., 2022b), and an independent literature on sieve methods for conditional moment models (as in Chen et al., 2014). These two literatures solve distinct optimization problems that in the population both have the Riesz representer as their solution. We show that with unregularized or ridge-regularized linear, sieve, or RKHS models, the two resulting estimators are numerically equivalent. However, for other regularization schemes such as the Lasso, or more general machine learning function classes including neural networks, the estimators are not necessarily equivalent. In the latter case, the Chen et al. (2014) formulation yields a novel constrained optimization problem for directly estimating Riesz representers with machine learning. Drawing on results from Birrell et al. (2022), we conjecture that this approach may offer statistical advantages at the cost of greater computational complexity.
• Abstract（参考訳）: リース表現器は半パラメトリック統計学と偏り/二重ロマンス推定の中心的な対象である。 エコノメトリーにおける2つの文献は、自動脱バイアス機械学習文学(Chernozhukov et al , 2022b)と条件モーメントモデルのシーブ法に関する独立した文献(Chen et al , 2014)を直接推定する役割を強調している。 これらの2つの文献は、Riesz表現子をその解として持つ、異なる最適化問題を解決している。 正規化・リッジ正規化線形・シーブ・RKHSモデルでは, 2つの推定値が数値的に等価であることを示す。 しかし、Lassoのような他の正規化スキームやニューラルネットワークを含むより一般的な機械学習関数クラスの場合、推定子は必ずしも等価ではない。 後者の場合、 Chen et al (2014) の定式化は、Riesz表現子を直接機械学習で推定する新しい制約付き最適化問題をもたらす。 Birrell et al (2022) の結果に基づいて、我々はこのアプローチがより計算複雑性の大きいコストで統計的に有利な結果をもたらすかもしれないと推測した。

関連論文リスト

• Riesz Representer Fitting under Bregman Divergence: A Unified Framework for Debiased Machine Learning [6.44705221140412]
  Riesz表現子の推定は、因果的および構造的パラメータ推定のための機械学習の中心である。 本稿では,Bregmanの発散最小化を通した表現子モデルを適用することにより,Riesz表現子を推定する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-12T17:36:33Z)
• Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
  我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。 我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。 車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
  論文  参考訳（メタデータ） (2024-07-24T12:00:30Z)
• Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
  単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。 我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
  論文  参考訳（メタデータ） (2024-03-08T18:50:19Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• Distributed Estimation and Inference for Semi-parametric Binary Response Models [8.309294338998539]
  本稿では,分散コンピューティング環境下での半パラメトリック二値選択モデルの最大スコア推定について検討する。 直感的な分割・対数推定器は計算コストが高く、機械数に対する非正規制約によって制限される。
  論文  参考訳（メタデータ） (2022-10-15T23:06:46Z)
• Random Forest Weighted Local Fréchet Regression with Random Objects [18.128663071848923]
  本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。 最初の方法は、これらの重みを局所平均として、条件付きFr'echet平均を解くことである。 第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-10T09:10:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。