Model Averaging and Double Machine Learning
模型平均与双重机器学习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：摘要聚焦通用 DDML 与学习器组合，未明确因果识别设定或经济结构模型，细分证据不足。
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…
模型平均与双重机器学习
- 研究问题
- 在双重／去偏机器学习估计结构参数时，如何组合多个候选学习器，以降低函数形式未知带来的敏感性和模型组合的计算负担？
- 方法与思路
- 作者结合 DDML 与 stacking，并提出利用交叉拟合降低计算量的 short-stacking，以及在不同交叉拟合折之间共享权重的 pooled stacking。
- 材料陈述的贡献
- 摘要称，校准模拟及引文和工资性别差距应用显示，stacking 比预先选定单一学习器更稳健，并提供实现这些方法的 Stata 与 R 软件。
- 阅读关注点
- 应核对结构参数与得分函数的定义、组合权重的估计和交叉拟合流程，以及计算节省、函数形式稳健性与推断有效性的证据。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明具体识别设定、理论保证条件或数值幅度，稳健性结论限于所述比较。
原文摘要
This paper discusses pairing double/debiased machine learning (DDML) with stacking, a model averaging method for combining multiple candidate learners, to estimate structural parameters. In addition to conventional stacking, we consider two stacking variants available for DDML: short-stacking exploits the cross-fitting step of DDML to substantially reduce the computational burden and pooled stacking enforces common stacking weights over cross-fitting folds. Using calibrated simulation studies and two applications estimating gender gaps in citations and wages, we show that DDML with stacking is more robust to partially unknown functional forms than common alternative approaches based on single pre-selected learners. We provide Stata and R software implementing our proposals.