Общие проекционные тесты на параметры, оцениваемые по функциям, с применением для проверки структурных причинно-следственных предположений

#Общие #Структурные #COVID #Vari

arXiv:2603.13681v3 Вид уведомления: заменить резюме: Структурные допущения имеют центральное значение для литературы о причинно-следственных выводах. На практике зачастую крайне важно оценить их обоснованность или проверить вытекающие из них последствия. Во многих случаях такие тесты могут быть составлены как оценка того, равен ли параметр с оценкой функции нулю. В настоящем документе мы предлагаем класс обобщенных проекционных испытаний, основанных на рядовых оценках параметров с оценкой функций. Мы устанавливаем условия, при которых предлагаемые испытания являются обоснованными, и иллюстрируем их применимость на основе примеров из литературы о синтезе данных и инструментальных переменных. Наш подход учитывает гибкие методы машинного обучения для оценки параметров помех. В отличие от многих существующих подходов ограничение распределения предлагаемых статистических данных о тестах легко подсчитать на основе нулевой гипотезы. Мы применяем наш метод для проверки равенства условного риска COVID-19 по отношению к вакцинам в Vari

Статистические данные > Методология [представлена 14 марта 2026 года (v1), последний пересмотренный вариант 15 сентября 2026 (настоящий вариант, v3)] Название: Общие проекционные тесты для параметров с оценкой функций с приложениями к проверке структурных причинно-следственных допущений View PDF HTML (экспериментальное) Резюме: Структурные предположения имеют центральное значение в литературе о причинных выводах. На практике зачастую крайне важно оценить их обоснованность или проверить вытекающие из них последствия. Во многих случаях такие тесты могут быть составлены как оценка того, равен ли параметр с оценкой функции нулю. В настоящем документе мы предлагаем класс обобщенных проекционных испытаний, основанных на рядовых оценках параметров с оценкой функций. Мы устанавливаем условия, при которых предлагаемые испытания являются обоснованными, и иллюстрируем их применимость на основе примеров из литературы о синтезе данных и инструментальных переменных. Наш подход учитывает гибкие методы машинного обучения для оценки параметров помех. В отличие от многих существующих подходов ограничение распределения предлагаемых статистических данных о тестах легко подсчитать на основе нулевой гипотезы. Мы применяем наш метод для проверки равенства условного риска COVID-19 применительно к вакцинам в рамках эксперимента COVID19 по варианту Иммунологического ландшафта (COVAIL) и испытания инструментального переменного состояния совместимости при изучении влияния размера семьи на предложение…