Automatic Debiased Machine Learning of Causal and Structural Effects
因果与结构效应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：摘要直接列举处理效应、因果中介及经济结构模型参数，并报告培训效应与需求弹性应用，对应因果推断和结构估计。
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…
因果与结构效应的自动去偏机器学习
- 研究问题
- 因果与结构效应依赖高维回归时，如何自动修正机器学习带来的正则化或模型选择偏差，使目标效应的统计推断更可靠？
- 方法与思路
- 作者利用 Lasso 与目标回归函数构造自动偏差修正，无须提供完整修正形式，并允许回归第一步采用神经网络、随机森林等学习器。
- 材料陈述的贡献
- 摘要称，方法覆盖回归的线性与非线性函数，提供误设稳健标准误、修正项收敛率及推断条件，并应用于就业培训和需求弹性估计。
- 阅读关注点
- 应核对自动修正项如何估计、误设稳健性的范围，以及培训效应和允许偏好与价格及收入相关的需求模型各自依赖什么识别条件。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未列出识别假设、调参规则或具体应用数值，不能把自动去偏理解为自动识别因果效应或推断刊本变化。
原文摘要
Many causal and structural effects depend on regressions. Examples include policy effects, average derivatives, regression decompositions, average treatment effects, causal mediation, and parameters of economic structural models. The regressions may be high‐dimensional, making machine learning useful. Plugging machine learners into identifying equations can lead to poor inference due to bias from regularization and/or model selection. This paper gives automatic debiasing for linear and nonlinear functions of regressions. The debiasing is automatic in using Lasso and the function of interest without the full form of the bias correction. The debiasing can be applied to any regression learner, including neural nets, random forests, Lasso, boosting, and other high‐dimensional methods. In addition to providing the bias correction, we give standard errors that are robust to misspecification, convergence rates for the bias correction, and primitive conditions for asymptotic inference for estimators of a variety of estimators of structural and causal effects. The automatic debiased machine learning is used to estimate the average treatment effect on the treated for the NSW job training data and to estimate demand elasticities from Nielsen scanner data while allowing preferences to be correlated with prices and income.