Debiased Machine Learning U-statistics
基于机器学习的去偏 U 统计量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：摘要明确将条件矩限制下的 Kernel-DML 用于半参数生产函数估计。
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…
基于机器学习的去偏 U 统计量
- 研究问题
- 论文研究使用机器学习估计第一阶段时，如何修正 U 统计量插件估计的正则化与模型选择偏差，使后续统计推断有效。
- 方法与思路
- 作者刻画两步 U 统计量的正交修正项，构造去偏估计和交叉拟合算法，并为条件矩限制提出保持识别的核距离估计方法。
- 材料陈述的贡献
- 摘要称建立一般渐近推断理论，并用于机会不平等、ROC 曲线下面积和生产函数；欧洲调查应用中去偏结果较插件结果稳定。
- 阅读关注点
- 应核对正交修正项的推导、交叉拟合的样本配对方式、第一阶段误差条件，以及 Kernel-DML 如何保持原有识别信息。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出收敛率条件，应用中的稳定性也不能外推至所有学习器。
原文摘要
We propose a method to debias estimators based on U-statistics with machine-learning (ML) first steps. Standard plug-in estimators often suffer from regularization and model-selection biases, leading to invalid inference. We characterize orthogonal adjustment terms for two-step U-statistics, construct Debiased Machine Learning (DML) U-estimators, develop a cross-fitting algorithm, and establish a general asymptotic theory for inference with ML first steps. We illustrate the methodology with applications to Inequality of Opportunity (IOp), the Area Under the ROC Curve, and conditional moment restrictions. For the latter setting, we introduce Kernel-DML, a class of orthogonal estimators based on identification-preserving kernel distance criteria, and apply it to semiparametric production function estimation. Using European survey data, we provide debiased ML-based estimates of income IOp and show that the widely used Conditional Inference Forest plug-in approach can substantially underestimate IOp. Moreover, plug-in results vary substantially across ML methods, whereas the debiased estimates are considerably more stable.