Neyman 직교성과 경로미분가능성의 동등성

본 논문은 Neyman 직교성(Neyman orthogonality)과 경로미분가능성(pathwise differentiability)이라는 두 핵심 개념이 왜 동일한 디베이즈드 추정량을 만들어내는지를 정형화하고, 그 동등성의 정확한 조건을 밝힌다. 1. **배경 및 동기** - 최근 DML(double/debiased machine learning) 프레임워크는 고차원 보조 함수(nuisance functions)를 머신러닝으로 추정하면서도 저차원 목표 파라미터(β)를 일관성 있게 추정할 수 있게 해준다. 핵심은 추정함수 m(Z;β,η)의 Neyman 직교성이다: 기대값의 Gâteaux 도함수가 모든 보조 파라미터 방향 h에 대해 0이다. - 반면 반반파라메트릭 이론에서는 목표 파라미터 β가 경로미분가능하면, 영향함수 φ가 존재하고, φ는 보조 접공간 Λ에 직교한다. 이는 효율적인 추정량을 구성하는 데 사용된다. - 실무에서는 두 접근법이 동일한 AIPW 추정량 등을 제공한다는 경험적 관찰이 있지만, 그 근본적인 연결 고리는 문헌에 명시되지 않았다. 2. **수학적 설정** - (Z,𝒜) 위의 측도 공간에 대해 σ‑유한 기준 측도 ν를 잡고, 모든 분포 P∈𝒫가 ν에 대해 절대연속이라고 가정한다. - 정규(QMD) 부분모델은 t↦P_t,s 로 정의되며, 점수(score) s∈L_0^2(P_0) 로 1차 변분을 표현한다. Lemma 1은 bounded mean‑zero 함수 g에 대해 선형 기울기(linear tilt) 부분모델을 구성하고, 그 점수가 정확히 g임을 보인다. - 접공간 T는 모든 점수들의 선형 폐포이며, 비파라메트릭 모델에서는 T=L_0^2(P_0) 로 포화된다. 3. **보조 점수와 보조 접공간** - β:𝒫→ℝ 이고, β가 모든 정규 부분모델에 대해 1차 미분이 존재한다는 가정 하에, 보조 점수 집합 S_nuis는 “β가 해당 점수 방향으로 변할 때 1차 변동이 0”인 점수들의 집합이다. - 보조 접공간 Λ=span(S_nuis)⊂T 로 정의한다. 4. **경로미분가능성과 영향함수** - β가 경로미분가능하면, 어떤 φ∈L_0^2(P_0) 가 존재해 d/dt β(P_{t,s})|_{t=0}=E_0