Automatic debiased machine learning for covariate shifts
协变量分布迁移下的自动去偏机器学习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：摘要明确以政策效应、迁移总体平均处理效应及双重差分实证为研究对象。
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…
协变量分布迁移下的自动去偏机器学习
- 研究问题
- 当训练总体与目标总体的协变量分布不同，如何可靠估计政策分布改变的平均效应或目标总体的平均处理效应？
- 方法与思路
- 作者依据目标参数的定义公式构造去偏机器学习估计，通过融合训练与目标样本处理高维机器学习的正则化偏误。
- 材料陈述的贡献
- 摘要称，框架覆盖一类因果及预测参数，并允许两类样本量以不同速率增长；应用包括最低工资与青少年就业研究。
- 阅读关注点
- 应核对总体迁移所需识别与支持条件、自动去偏的具体构造、两类样本速率要求，以及实证中的双重差分假设。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断无混杂等识别条件或辅助估计要求，也不能将去偏表述理解为任意有限样本无偏。
原文摘要
Summary We present machine learning estimators for causal and predictive parameters under covariate shift, where covariate distributions differ between training and target populations. One such parameter is the average effect of a policy that alters the covariate distribution, such as a treatment that modifies surrogate covariates used to predict long-term outcomes. Another example is the average treatment effect for a population with a shifted covariate distribution. We propose a debiased machine learning method to estimate a broad class of these parameters in a statistically reliable and automatic manner. Our method eliminates regularization bias arising from the use of machine learning tools in high-dimensional settings, and relies solely on the parameter’s defining formula. It employs data fusion by combining samples of target and training data to eliminate bias. We give asymptotic theory that allows the sample sizes of the training and target datato grow at different rates. Computational experiments and an empirical study of the impact ofminimum-wage increases on teen employment, using the difference-in-differences framework with unconfoundedness, demonstrate the effectiveness of our method.