Doubly robust inference via calibration
通过校准实现双重稳健推断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：摘要明确以平均处理效应和双重稳健去偏机器学习推断为主要目标。
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…
通过校准实现双重稳健推断
- 研究问题
- 双重稳健估计的一致性只需一个辅助函数估计正确，但常规渐近正态性要求更强；能否通过校准缩小这一要求差距？
- 方法与思路
- 作者在交叉拟合的去偏机器学习中增加保序回归校准，利用部分正交性建立推断理论，并提出自助法辅助置信区间。
- 材料陈述的贡献
- 摘要称，部分正交性下，只要回归函数或 Riesz 表示元之一估计足够好，另一项即使收敛很慢或不一致仍可渐近正态。
- 阅读关注点
- 核对部分正交性、单个辅助函数所需速率及保序校准步骤，并检查自助法如何反映校准和交叉拟合的不确定性。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；双重稳健正态性仍依赖所述条件，摘要未给出精确速率和覆盖数值。
原文摘要
Doubly robust estimators are widely used for estimating average treatment effects and other linear summaries of regression functions. While consistency requires only one of two nuisance functions to be estimated consistently, asymptotic normality for linear functionals typically requires sufficiently fast convergence of both. We address this mismatch by showing that calibrating the nuisance estimators within a doubly robust procedure can yield doubly robust asymptotic normality. We introduce the idea of calibrated debiased machine learning (DML) and propose a specific implementation in which standard DML is augmented with a simple isotonic regression adjustment. We show that, under a partial orthogonality condition, a calibrated DML estimator remains asymptotically normal if either the regression function or Riesz representer of the functional is estimated sufficiently well, allowing the other to converge arbitrarily slowly or even inconsistently. We also propose a bootstrap-assisted method for constructing confidence intervals, enabling doubly robust inference without additional nuisance estimation. In a range of semi-synthetic benchmark datasets, calibrated DML reduces bias and improves coverage relative to standard DML. Our method can be integrated into existing DML pipelines by adding just a few lines of code to calibrate cross-fitted estimates via isotonic regression.