Model Averaging and Double Machine Learning
模型平均与双重机器学习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：摘要明确讨论通用 DDML 与学习器组合，但未交代具体因果设计或结构模型，现有文字不足以确定所列领域细分。
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…
模型平均与双重机器学习
- 研究问题
- 在双重或去偏机器学习中，组合多个候选学习器能否减轻对预先选定模型的依赖，并降低交叉拟合相关的计算负担？
- 方法与思路
- 作者将 stacking 与 DDML 结合，比较常规组合、利用交叉拟合的 short-stacking，以及跨折共享权重的 pooled stacking。
- 材料陈述的贡献
- 摘要称，校准模拟与引用、工资性别差距应用显示，组合学习器对部分未知函数形式更稳健；论文同时提供 Stata 和 R 实现。
- 阅读关注点
- 应核对目标参数与识别结构、组合权重如何训练、交叉拟合如何避免信息泄漏，以及计算节省和稳健性比较所采用的基准。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体识别假设、误差条件或性能差距；性别差距应用的参数是否具有因果含义也未说明。
原文摘要
ABSTRACT This paper discusses pairing double/debiased machine learning (DDML) with stacking , a model averaging method for combining multiple candidate learners, to estimate structural parameters. In addition to conventional stacking, we consider two stacking variants available for DDML: Short‐stacking exploits the cross‐fitting step of DDML to substantially reduce the computational burden, and pooled stacking enforces common stacking weights over cross‐fitting folds. Using calibrated simulation studies and two applications estimating gender gaps in citations and wages, we show that DDML with stacking is more robust to partially unknown functional forms than common alternative approaches based on single pre‐selected learners. We provide Stata and R software implementing our proposals.