Automatic Debiased Machine Learning for Dynamic Treatment Effects and General Nested Functionals
动态处理效应与一般嵌套泛函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。
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：摘要明确列举动态处理与中介分析、动态样本选择及动态离散选择模型，支持因果、结构估计和离散选择分类。
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…
动态处理效应与一般嵌套泛函的自动去偏机器学习
- 研究问题
- 当因果或结构模型的识别公式递归嵌套，并需要处理后协变量或动态状态时，如何结合灵活机器学习开展推断？
- 方法与思路
- 作者提出适用于递归识别公式的自动递归推断方法，允许神经网络和随机森林估计，并引入递归 Riesz 表示元。
- 材料陈述的贡献
- 摘要明确提出统一处理嵌套公式的推断方法及递归 Riesz 表示元，可面向动态处理、中介和动态结构模型等问题。
- 阅读关注点
- 应核对递归表示元的构造、去偏与误差传播的条件，以及动态处理和动态离散选择中识别公式如何接入该方法。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收未核实；摘要未提供渐近定理条件、计算细节或数值比较，不能判断实际性能。
原文摘要
Many canonical models in causal inference and structural econometrics have recursive identification formulas. In causal inference, recursion arises when identification requires both pre- and post-treatment covariates. For example, short-term surrogate outcomes are measured after the treatment, and serve as necessary covariates when identifying long-term effects. Post-treatment covariates are also required for identification of dynamic difference-in-differences designs, time-varying treatment regimes, and mediation analysis. In structural econometrics, recursion arises through evolving state variables, for example in dynamic sample selection models and dynamic discrete choice models. In this paper, we propose an automatic and recursive method for inference, applicable to such formulas, allowing for flexible estimation by neural networks and random forests. As a technical contribution, we introduce recursive Riesz representers.