Decomposing Inequalities using Machine Learning and Overcoming Common Support Issues
利用机器学习分解不平等并处理共同支撑问题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：摘要以潜在结果定义差异分解，并使用双重稳健性和双重机器学习等因果推断方法。
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
利用机器学习分解不平等并处理共同支撑问题
- 研究问题
- 两组均值差异的可解释与不可解释部分如何依赖参照结果？在共同支撑不足及模型误设时，怎样构造更灵活的差异分解估计？
- 方法与思路
- 作者用潜在结果重述 Kitagawa–Oaxaca–Blinder 分解，扩展 Neumark 加权参照方案，结合双重稳健估计、Neyman 正交性与双重机器学习。
- 材料陈述的贡献
- 摘要称，该方案避免修剪与外推，并通过两项应用展示灵活性与稳健性；同时指出 Neumark 参照分解对无关解释变量的纳入较敏感。
- 阅读关注点
- 应核对参照结果如何定义目标量，缺乏共同支撑时为何无需修剪或外推，双重稳健性的条件，以及变量选择如何改变分解解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核验；摘要未说明具体支撑条件与应用数值，也不能把不可解释部分直接等同于歧视效应。
原文摘要
The Kitagawa-Oaxaca-Blinder decomposition splits the difference in means between two groups into an explained part, due to observable factors, and an unexplained part. In this paper, we reformulate this framework using potential outcomes, highlighting the critical role of the reference outcome. To address limitations like common support and model misspecification, we extend Neumark's (1988) weighted reference approach with a doubly robust estimator. Using Neyman orthogonality and double machine learning, our method avoids trimming and extrapolation. This improves flexibility and robustness, as illustrated by two empirical applications. Nevertheless, we also highlight that the decomposition based on the Neumark reference outcome is particularly sensitive to the inclusion of irrelevant explanatory variables.