Cross-Fitting-Free Debiased Machine Learning with Multiway Dependence
多维聚类依赖下无需交叉拟合的去偏机器学习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：摘要是多维聚类下通用 GMM 与经验过程理论，未明确限定因果、面板或其他所列应用领域。
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
多维聚类依赖下无需交叉拟合的去偏机器学习
- 研究问题
- 当样本具有多维聚类依赖、第一阶段学习复杂且有效样本量受独立簇数量约束时，能否不进行交叉拟合而获得有效的去偏推断？
- 方法与思路
- 作者在两步去偏 GMM 中结合正交矩与局部化经验过程方法，并为分别可交换数组上的一般函数类推导全局和局部最大不等式。
- 材料陈述的贡献
- 摘要称在多维聚类依赖下建立估计量的渐近线性与正态性，允许任意数量的聚类维度，并提供 Python 和 R 实现包。
- 阅读关注点
- 应核对第一阶段误差和函数类复杂度要求、各维簇数量的渐近设定、局部化如何替代样本分割，以及方差估计的实现条件。
- 阅读边界
- 来源为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出学习器适用条件，也未证明免交叉拟合在所有场景更有效率。
原文摘要
This paper develops an asymptotic theory for two-step debiased machine learning (DML) estimators in generalised method of moments (GMM) models with general multiway clustered dependence, without relying on cross-fitting. While cross-fitting is commonly employed, it can be statistically inefficient and computationally burdensome when first-stage learners are complex and the effective sample size is governed by the number of independent clusters. We show that valid inference can be achieved without sample splitting by combining orthogonal moments with a localisation-based empirical process approach, allowing for an arbitrary number of clustering dimensions. The resulting debiased GMM estimators are shown to be asymptotically linear and asymptotically normal under multiway clustered dependence. A central technical contribution of the paper is the derivation of novel global and local maximal inequalities for empirical processes indexed by general classes of functions for separately exchangeable arrays, which underpin our theoretical arguments and are of independent interest. Python and R packages are available for implementing the proposed procedures.