Double/Debiased/Neyman Machine Learning of Treatment Effects
处理效应的双重／去偏／Neyman 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。
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：摘要明确以观察性数据中的平均处理效应和已处理者平均处理效应为应用对象，直接属于因果推断方向。
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…
处理效应的双重／去偏／Neyman 机器学习
- 研究问题
- 在观察性数据中，使用高维机器学习估计辅助参数后，如何对平均处理效应和已处理者平均处理效应进行有效统计推断？
- 方法与思路
- 本文以说明性笔记形式，将既有 DML 框架中的 Neyman 正交得分与交叉拟合应用于观察性数据的 ATE 和 ATTE 估计。
- 材料陈述的贡献
- 摘要明确的贡献是展示通用 DML 方法在两类平均处理效应上的应用；更一般的方法讨论及文献背景由所引既有研究提供。
- 阅读关注点
- 应核对 ATE 与 ATTE 得分的具体形式、处理效应识别条件、辅助估计误差要求，以及交叉拟合和标准误计算的实现。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出识别与速率条件，不能将机器学习拟合本身视为因果识别。
原文摘要
Chernozhukov, Chetverikov, Demirer, Duflo, Hansen, and Newey (2016) provide a generic double/de-biased machine learning (DML) approach for obtaining valid inferential statements about focal parameters, using Neyman-orthogonal scores and cross-fitting, in settings where nuisance parameters are estimated using a new generation of nonparametric fitting methods for high-dimensional data, called machine learning methods. In this note, we illustrate the application of this method in the context of estimating average treatment effects (ATE) and average treatment effects on the treated (ATTE) using observational data. A more general discussion and references to the existing literature are available in Chernozhukov, Chetverikov, Demirer, Duflo, Hansen, and Newey (2016).