Automatic Locally Robust GMM with Machine-Learning-Generated Regressors
机器学习生成回归变量的自动局部稳健 GMMAI 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：摘要将治疗效应与反事实分析列为主要应用，并讨论生成倾向得分等变量的推断。
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…
机器学习生成回归变量的自动局部稳健 GMM
- 研究问题
- 机器学习生成的倾向得分、残差、代理或嵌入进入后续计量分析时，如何处理多阶段误差传递，避免较大偏差与无效推断？
- 方法与思路
- 作者提出三步局部稳健 GMM，利用泛函链式法则与下游正交化消除间接效应，再通过交叉拟合辅助回归估计 Riesz 表示元。
- 材料陈述的贡献
- 摘要称框架允许前两阶段使用一般非 Donsker 机器学习；在主要治疗效应与反事实模拟中，所提程序将偏差降低百分之八十五至九十五。
- 阅读关注点
- 应核对三阶段目标和误差的传递路径、下游局部稳健性的条件、表示元估计要求，以及模拟中既有方法的具体实现和比较口径。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列收敛速率及完整条件，所报偏差降幅不能外推至所有生成变量模型。
原文摘要
Machine-learning (ML) methods now routinely generate regressors used in subsequent econometric analyses, for example, estimated propensity scores, control-function residuals, imputed covariates, learned proxies, or low-dimensional embeddings of high-dimensional data. As these ML-generated regressors become ubiquitous, the lack of general inference methods for models that use them has become a critical limitation. Standard plug-in and Double ML procedures ignore how generated regressors enter later stages, leading to large biases and invalid inference. We develop a three-step locally robust GMM framework for inference with ML generated regressors. A key new insight is downstream local robustness: by a functional chain rule, moment functions that are constructed to be orthogonal to the second step eliminate the complicated indirect (conditioning) effects from the ML-generated regressors. We show how to implement this automatically by estimating the associated Riesz representers through cross-fitted auxiliary regressions, allowing for generic non-Donsker ML in both early steps. In leading treatment-effect and counterfactual settings, simulations demonstrate severe bias in existing methods and reductions of 85-95% using our procedures.