On the use of cross-fitting in causal machine learning with correlated units
相关观测单位下因果机器学习的交叉拟合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：研究核心是因果机器学习的交叉拟合与偏误控制；相关数据仅作为环境，未明确限定宏观或面板模型。
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…
相关观测单位下因果机器学习的交叉拟合
- 研究问题
- 空间、聚类或时间相关的观测单位用于因果机器学习时，交叉拟合是否必须专门减少训练折与评估折之间的相关性？
- 方法与思路
- 作者从理论上分析忽略单位相关性的交叉拟合能否消除关键偏误项，并用不同相关结构的模拟比较常规与定制分折方案。
- 材料陈述的贡献
- 摘要称，常规交叉拟合通常仍能消除关键偏误项；所考察模拟中，其偏误与精度与专门减少折间相关性的方案相同或更好。
- 阅读关注点
- 应核对允许的依赖结构、干扰项估计要求和被消除的偏误项，并区分交叉拟合有效性与相关数据下标准误估计的有效性。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未列出理论条件，不能据此认定任意相关结构下常规分折或独立标准误均有效。
原文摘要
In causal machine learning, the fitting and evaluation of nuisance models are often performed on separate partitions, or folds, of the observed data. This technique, called cross-fitting, eliminates bias introduced by the use of black-box predictive algorithms. When study units may be correlated, such as in spatial, clustered, or time-series data, investigators often design bespoke forms of cross-fitting to minimize correlation between folds. We prove that, perhaps contrary to popular belief, this is typically unnecessary: performing cross fitting as if study units were independent still eliminates key bias terms even when units may be correlated. In simulation experiments with various correlation structures, we show that causal machine learning estimators achieve the same or improved bias and precision under cross-fitting that ignores correlation compared to techniques striving to eliminate correlation between folds.