Multiway Cluster Robust Double/Debiased Machine Learning
多维聚类稳健的双重／去偏机器学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦多维聚类下的通用DML推断，需求应用未明确因果识别、面板或结构模型设定，细分证据不足。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
多维聚类稳健的双重／去偏机器学习
- 研究问题
- 当样本同时存在多个维度的聚类依赖时，如何实施双重／去偏机器学习，并为估计结果构造合适的聚类稳健标准误？
- 方法与思路
- 作者提出多维交叉拟合算法及相应DML估计量，并建立多维聚类稳健标准误公式，以处理该抽样环境中的依赖。
- 材料陈述的贡献
- 摘要称模拟中方法具有良好的有限样本表现；市场份额需求应用中，价格系数的双向聚类稳健标准误大于非稳健标准误。
- 阅读关注点
- 阅读时核对各聚类维度的依赖设定、交叉拟合如何划分样本、聚类规模与数量条件，以及标准误公式的适用范围。
- 阅读边界
- 摘要未说明具体识别目标、聚类渐近条件或性能比较指标；标准误变大反映该应用的推断差异，不能据此推断方法普遍更优。
原文摘要
This article investigates double/debiased machine learning (DML) under multiway clustered sampling environments. We propose a novel multiway cross-fitting algorithm and a multiway DML estimator based on this algorithm. We also develop a multiway cluster robust standard error formula. Simulations indicate that the proposed procedure has favorable finite sample performance. Applying the proposed method to market share data for demand analysis, we obtain larger two-way cluster robust standard errors for the price coefficient than nonrobust ones in the demand model.