DOUBLE/DEBIASED MACHINE LEARNING FOR DYADIC DATA
二元关系数据的双重／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：摘要明确涉及二元关系依赖、高维网络形成模型和关系数据交叉拟合。
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…
二元关系数据的双重／去偏机器学习
- 研究问题
- 当观测对应主体之间的二元关系并存在关系层面的依赖时，如何结合机器学习估计干扰参数，同时对目标参数进行可靠推断？
- 方法与思路
- 作者提出适用于二元关系数据的交叉拟合，并结合 Neyman 正交得分，控制机器学习过拟合偏差及关系数据依赖的影响。
- 材料陈述的贡献
- 摘要称，该方法支持在二元关系依赖下的根 n 一致估计与推断，并用于高维网络形成模型及自由贸易协定决定因素分析。
- 阅读关注点
- 应核对关系依赖的允许范围、样本划分如何避免信息泄漏、n 的定义，以及干扰参数收敛条件和方差估计方法。
- 阅读边界
- 所给 Crossref 摘要虽称允许任意二元关系依赖，但未列出完整正则条件；不能将其理解为对所有网络依赖结构均无条件有效。
原文摘要
This article presents novel methods and theories for estimation and inference about parameters in statistical models using machine learning for nuisance parameter estimation when data are dyadic. We propose a dyadic cross-fitting method to remove over-fitting biases under arbitrary dyadic dependence. Together with the use of Neyman orthogonal scores, this novel cross-fitting method enables root- n consistent estimation and inference robustly against dyadic dependence. We demonstrate its versatility by applying it to high-dimensional network formation models and reexamine the determinants of free trade agreements.