Debiased Machine Learning with Many Cross-Fitting Folds
交叉拟合折数较多时的去偏机器学习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：摘要以局部平均处理效应为推断失效的具体例子，为因果推断分类提供直接依据。
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
交叉拟合折数较多时的去偏机器学习
- 研究问题
- 当交叉拟合折数随样本量增长时，DML1 与 DML2 的渐近等价性是否仍成立，折数选择又如何影响偏差和推断有效性？
- 方法与思路
- 作者研究增长折数下的渐近理论，在算法稳定性条件下分析 DML2，并对具有一阶随机展开的标量估计量建立二阶近似。
- 材料陈述的贡献
- 摘要称，折数与样本量平方根同阶时 DML1 可能出现渐近偏差；满足条件的 DML2 可覆盖留一法，且增加折数可改善二阶误差。
- 阅读关注点
- 应核对算法稳定性与第一步展开条件、DML1 偏差出现的机制，以及增加折数改善偏差和均方误差结论的具体适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核验。摘要未给出完整条件，不能将 DML2 有效性或折数增大的收益推广至任意学习器。
原文摘要
This paper studies debiased machine learning (DML) when the number of cross-fitting folds, $K_n$, may grow with the sample size $n$. Existing fixed-$K$ asymptotic theory implies that DML1 and DML2, the two main DML variants, are asymptotically equivalent, providing no guidance on which variant to use or how to choose $K_n$. We show that this equivalence can break down when $K_n$ grows proportionally to $\sqrt{n}$: DML1 can exhibit asymptotic bias, in which case standard inference based on DML1 fails---as can occur, for instance, for the local average treatment effect (LATE)---whereas inference based on DML2 remains valid. Moreover, we show that, under an algorithmic-stability condition, estimation and inference based on DML2 are valid for any $2\le K_n \le n$, including the leave-one-out case, $K_n=n$. Finally, for scalar DML2 estimators whose first-step estimators admit a stochastic linear expansion, we derive a second-order approximation showing that larger values of $K_n$ reduce the second-order asymptotic bias and mean-squared error, although the marginal improvements diminish.