ddml: Double/debiased machine learning in Stata
ddml：在 Stata 中实施双重／去偏机器学习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：摘要明确介绍用于估计因果参数和内生变量因果效应的双重／去偏机器学习工具，因此归入因果推断。
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…
ddml：在 Stata 中实施双重／去偏机器学习
- 研究问题
- 如何在 Stata 中利用机器学习估计因果参数，以适应未知函数形式或大量外生变量，并结合多个学习器改善辅助预测？
- 方法与思路
- 作者介绍支持五类计量模型的 ddml 软件包，可连接 Stata 中已有监督学习程序，并建议使用 stacking 将多个学习器组合为预测器。
- 材料陈述的贡献
- 摘要称，软件包提供多种因果参数估计工具及机器学习接口，并以蒙特卡洛证据支持结合 stacking 的使用建议。
- 阅读关注点
- 应核对五类模型的参数与识别条件、交叉拟合和样本划分的实现，以及 stacking 的配置方式及模拟比较所采用的设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未列出五类模型和软件细节，机器学习的灵活性不能替代因果识别条件。
原文摘要
We introduce the package ddml for Double/Debiased Machine Learning (DDML) in Stata. Estimators of causal parameters for five different econometric models are supported, allowing for flexible estimation of causal effects of endogenous variables in settings with unknown functional forms and/or many exogenous variables. ddml is compatible with many existing supervised machine learning programs in Stata. We recommend using DDML in combination with stacking estimation which combines multiple machine learners into a final predictor. We provide Monte Carlo evidence to support our recommendation.