Meta-Learners for Estimation of Causal Effects: Finite Sample Cross-Fit Performance
因果效应元学习器：交叉拟合的有限样本表现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：摘要比较异质性处理效应元学习器及其样本分割和交叉拟合流程。
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
因果效应元学习器：交叉拟合的有限样本表现
- 研究问题
- 估计异质性处理效应时，样本分割、交叉拟合与全样本拟合如何影响元学习器的有限样本表现及方法选择？
- 方法与思路
- 作者通过合成与半合成模拟比较元学习器的不同估计流程，并按样本量、处理组占比等数据特征提出应用建议。
- 材料陈述的贡献
- 摘要称，大样本中分割有助于减偏、交叉拟合有助于效率，而小样本更适合全样本估计，表现显著依赖估计流程。
- 阅读关注点
- 应核对各元学习器和基学习器设置、样本大小范围、处理组占比及评价指标，判断建议是否依赖特定模拟设计。
- 阅读边界
- 这是arXiv预印本，同行评审及接收未核验。摘要未给出样本量阈值或比较数值，模拟建议不能作为普遍适用的理论规则。
原文摘要
Estimation of causal effects using machine learning methods has become an active research field in econometrics. In this paper, we study the finite sample performance of meta-learners for estimation of heterogeneous treatment effects under the usage of sample-splitting and cross-fitting to reduce the overfitting bias. In both synthetic and semi-synthetic simulations we find that the performance of the meta-learners in finite samples greatly depends on the estimation procedure. The results imply that sample-splitting and cross-fitting are beneficial in large samples for bias reduction and efficiency of the meta-learners, respectively, whereas full-sample estimation is preferable in small samples. Furthermore, we derive practical recommendations for application of specific meta-learners in empirical studies depending on particular data characteristics such as treatment shares and sample size.