面向一般半参数约束下 outcome 均值函数的高效估计与数据融合

我们提供了一种关于半参数效率的新型表征，适用于受 outcome 均值函数——即感兴趣的感兴趣结果的条件期望给定其他观测变量——受已知半参数函数类的限制的通用监督学习场景。主要动机是因果推断，其中运行随机对照试验的研究者通常可获得一个受 confounding 或其他偏差限制用于估计因果效应的辅助观察数据集。先前的工作尝试通过数据融合来提高精度，施加各种专门的假设来约束这种偏差。我们展示了许多这些假设可以表述为串联实验和观察数据集中 outcome 均值函数的限制。我们的理论提供了统一的框架，以在所有这些设置中以及广泛的其他未来研究者可能感兴趣的设置中构建高效估计器，以实现最大精度提升。例如，当观察数据集受 outcome-mediated 选择偏差限制时，我们显示我们的新型高效估计器在渐近上以及在数值研究中都优于现有的控制变量方法。