xtdml: Double Machine Learning Estimation to Static Panel Data Models with Fixed Effects in R
xtdml：R中的固定效应静态面板双重机器学习估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确涉及固定效应面板模型、高维混杂控制和结构参数的DML推断。
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…
关注这篇论文的作者
xtdml：R中的固定效应静态面板双重机器学习估计
- 研究问题
- 如何在R中实现含低维固定效应和高维混杂变量的部分线性面板双重机器学习，并灵活处理个体异质性？
- 方法与思路
- 作者介绍xtdml软件包，以mlr3学习辅助函数，提供一阶差分、组内变换及相关随机效应选项，并支持协变量预处理。
- 材料陈述的贡献
- 摘要所述贡献是将既有面板DML方法实现为R工具，整合学习、异质性处理和特征变换，并以模拟与真实纵向数据示范。
- 阅读关注点
- 核对三种异质性处理方式各自对应的模型条件、辅助函数与样本划分实现，以及预处理、标准误和实证示例的使用流程。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未核实；摘要未完整给出识别与推断条件，也不足以判断软件的性能或适用边界。
原文摘要
The double machine learning (DML) method combines the predictive power of machine learning with statistical estimation to conduct inference about the structural parameter of interest. This paper presents the R package `xtdml`, which implements DML methods for partially linear panel regression models with low-dimensional fixed effects, high-dimensional confounding variables, proposed by Clarke and Polselli (2025). The package provides functionalities to: (a) learn nuisance functions with machine learning algorithms from the `mlr3` ecosystem, (b) handle unobserved individual heterogeneity choosing among first-difference transformation, within-group transformation, and correlated random effects, (c) transform the covariates with min-max normalization and polynomial expansion to improve learning performance. We showcase the use of `xtdml` with both simulated and real longitudinal data.