EnsembleIV: Creating Instrumental Variables from Ensemble Learners for Robust Statistical Inference with ML-Generated Variables
EnsembleIV：从集成学习器构造工具变量以处理机器学习生成变量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：摘要聚焦一般回归中机器学习生成变量的测量误差，未明确因果目标或其他给定领域细分的应用对象。
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…
EnsembleIV：从集成学习器构造工具变量以处理机器学习生成变量
- 研究问题
- 将机器学习生成的变量放入回归后，测量误差可能造成估计偏误与推断失效，如何利用集成模型的信息缓解这一问题？
- 方法与思路
- 作者从集成模型的弱学习器中构造工具变量，用于修正生成变量的测量误差，并在合成及真实数据的回归设定中评估。
- 材料陈述的贡献
- 摘要称，EnsembleIV 可构造有效且强的工具变量，获得一致估计并减少多种回归中的偏误，也可结合深度学习处理非结构化数据。
- 阅读关注点
- 应核对弱学习器如何形成工具变量、有效性与强度所需条件，以及相关预测误差、训练数据重用和推断误差的处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明工具变量有效性的具体条件，集成预测本身不能保证排除限制。
原文摘要
Despite increasing popularity in empirical studies, the integration of machine learning generated variables into regression models for statistical inference suffers from the measurement error problem, which can bias estimation and threaten the validity of inferences. In this paper, we develop a novel approach to alleviate associated estimation biases. Our proposed approach, EnsembleIV, creates valid and strong instrumental variables from weak learners in an ensemble model, and uses them to obtain consistent estimates that are robust against the measurement error problem. Our empirical evaluations, using both synthetic and real-world datasets, show that EnsembleIV can effectively reduce estimation biases across several common regression specifications, and can be combined with modern deep learning techniques when dealing with unstructured data.