Improving the Finite Sample Estimation of Average Treatment Effects Using Double/Debiased Machine Learning With Propensity Score Calibration
以倾向得分校准改善双重／去偏机器学习的平均处理效应有限样本估计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。
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：摘要直接研究倾向得分、双重稳健得分与平均处理效应估计，属于因果推断。
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
以倾向得分校准改善双重／去偏机器学习的平均处理效应有限样本估计
- 研究问题
- 机器学习倾向得分的概率预测偏差如何影响双重／去偏机器学习的平均处理效应估计，概率校准能否改善其有限样本误差？
- 方法与思路
- 作者将概率预测校准方法纳入依赖倾向得分的双重稳健 DML 框架，通过模拟比较校准后的平均处理效应估计表现。
- 材料陈述的贡献
- 摘要称，校准倾向得分在模拟中显著降低平均处理效应估计的均方根误差，同时保留 DML 的渐近性质，但未提供数值幅度。
- 阅读关注点
- 应核对校准方法、训练与交叉拟合的安排、保留渐近性质所需条件，并查看重叠程度及其他干扰函数误差下的表现。
- 阅读边界
- 仅据 Crossref 所载摘要，无法确认识别假设、具体校准方案和理论条件；模拟改善不保证所有数据生成过程均获益或刊本不变。
原文摘要
ABSTRACT Double/debiased machine learning (DML) uses for estimating an average treatment effect (ATE) a double‐robust score function that relies on the prediction of nuisance functions, such as the propensity score, which is the probability of treatment assignment given covariates. Estimators relying on double‐robust score functions are highly sensitive to errors in propensity score predictions. Machine learning algorithms have been found to produce models that often overestimate or underestimate these probabilities. Several calibration approaches have been proposed to improve probabilistic forecasts of machine learners. This paper explores their integration into the DML framework, showing via simulations that using calibrated propensity scores significantly reduces the root mean squared error of ATE estimates in finite samples while preserving DML's asymptotic properties.