Covariate Balancing and Riesz Regression Should Be Guided by the Neyman Orthogonal Score in Debiased Machine Learning
去偏机器学习中的协变量平衡与 Riesz 回归应由 Neyman 正交得分指导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：摘要以 ATE、ATT 和异质性处理效应的去偏机器学习估计为讨论对象。
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…
关注这篇论文的作者
去偏机器学习中的协变量平衡与 Riesz 回归应由 Neyman 正交得分指导
- 研究问题
- 在去偏机器学习中，平衡函数应如何根据目标参数的正交得分构造，尤其如何处理异质性处理效应下的处理特异误差？
- 方法与思路
- 作者从得分中的回归误差出发，区分仅依赖协变量的误差与依赖完整回归变量的误差，并主张以 Riesz 回归实现平衡。
- 材料陈述的贡献
- 摘要将协变量平衡解释为特定误差结构下的适用情形，并提出对包含处理变量的完整回归变量进行平衡的一般原则。
- 阅读关注点
- 应核对 ATE 与 ATT 得分的展开、处理特异误差如何进入得分，以及 Riesz 基函数选择与有限维近似误差的关系。
- 阅读边界
- 这是 arXiv 预印本立场论文，不能确认已评审或接收；摘要未提供完整证明或数值比较，所倡导原则的适用边界需核对。
原文摘要
This position paper argues that, in debiased machine learning, balancing functions should be derived from the Neyman orthogonal score, not chosen only as functions of covariates. Covariate balancing is effective when the regression error entering the score can be represented by functions of covariates alone, and it is the natural finite-dimensional approximation for targets such as ATT counterfactual means. For ATE estimation under treatment effect heterogeneity, however, the score error generally contains treatment-specific components because the outcome regression is a function of the full regressor $X=(D,Z)$. In that case, balancing common functions of $Z$ can leave the treatment-specific component unbalanced. We therefore advocate regressor balancing, implemented by Riesz regression with basis functions of $X$, as the general balancing principle for DML. The position is not that covariate balancing is invalid, but that covariate balancing should be understood as the special case that is appropriate when the score-relevant regression error is a function of covariates alone.