Conditional cross-fitting for unbiased machine-learning-assisted covariate adjustment in randomized experiments
随机实验中实现无偏机器学习协变量调整的条件交叉拟合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：摘要直接研究随机实验中平均处理效应的设计本位估计与推断。
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
随机实验中实现无偏机器学习协变量调整的条件交叉拟合
- 研究问题
- 在潜在结果与协变量固定、随机分配是唯一随机来源的实验中，如何避免机器学习协变量调整因数据复用产生有限样本偏差？
- 方法与思路
- 作者提出设计本位的条件交叉拟合，为伯努利、完全随机及分层随机实验构造样本拆分算法、调整后的 ATE 估计量与推断程序。
- 材料陈述的贡献
- 摘要称所构造的协变量调整 ATE 估计量无偏，并提供有效推断，允许灵活的机器学习调整以及预测模型误设。
- 阅读关注点
- 应核对条件化对象、训练与估计样本的分配关系，以及不同随机化设计下无偏性的证明和有效推断所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出拆分算法、方差公式或效率比较，不能认定调整必然改善精度。
原文摘要
Randomized experiments are the gold standard for estimating the average treatment effect (ATE). While covariate adjustment can reduce the asymptotic variances of the unbiased Horvitz-Thompson estimators for the ATE, it suffers from finite-sample biases due to data reuse in both prediction and estimation. Traditional sample-splitting and cross-fitting methods can address the problem of data reuse and obtain unbiased estimators. However, they require that the data are independently and identically distributed, which is usually violated under the design-based inference framework for randomized experiments. To address this challenge, we propose a novel conditional cross-fitting method, under the design-based inference framework, where potential outcomes and covariates are fixed and the randomization is the sole source of randomness. We propose sample-splitting algorithms for various randomized experiments, including Bernoulli randomized experiments, completely randomized experiments, and stratified randomized experiments. Based on the proposed algorithms, we construct unbiased covariate-adjusted ATE estimators and propose valid inference procedures. Our methods can accommodate flexible machine-learning-assisted covariate adjustments and allow for model misspecification.