核最大矩约束的仪器空间选择
机器学习
2021-06-08 v1
摘要
核最大矩约束（KMMR）近期作为一种基于工具变量（IV）的条件矩约束（CMR）模型的流行框架出现，在条件矩（CM）检验和IV回归及近端因果学习的参数估计中具有重要应用。然而，该框架的有效性关键取决于作为仪器空间选择的再生核希尔伯特空间（RKHS）的选择。本文基于最小可识别仪器空间（LIIS）原则，提出了一种系统性的仪器空间选择方法，用于参数估计，该原则以最小的空间复杂度识别模型参数。我们的选择标准结合了两个不同的目标来确定这样的最优空间：（i）检验可识别性的测试准则；（ii）基于RKHS有效维数作为复杂度度量的信息准则。我们分析了该方法在确定LIIS时的一致性，并通过模拟展示了其在参数估计中的有效性。
引用
@article{arxiv.2106.03340,
title = {Instrument Space Selection for Kernel Maximum Moment Restriction},
author = {Rui Zhang and Krikamol Muandet and Bernhard Schölkopf and Masaaki Imaizumi},
journal= {arXiv preprint arXiv:2106.03340},
year = {2021}
}