Automatic Debiased Machine Learning for Covariate Shifts
协变量分布偏移下的自动去偏机器学习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：摘要明确研究分布偏移下的政策效应和平均处理效应，并提供双重差分应用。
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…
协变量分布偏移下的自动去偏机器学习
- 研究问题
- 当训练人群与目标人群的协变量分布不同，如何可靠估计政策引起分布变化的平均效应、目标人群处理效应及其他相关预测参数？
- 方法与思路
- 作者依据目标参数的定义公式构造自动去偏机器学习估计，融合训练与目标样本以消除正则化偏差，并通过计算实验和最低工资应用评估。
- 材料陈述的贡献
- 摘要称该方法覆盖较广的因果和预测参数，给出一致性与渐近正态性证明，并在最低工资对青少年就业的双重差分研究中展示应用。
- 阅读关注点
- 核对可迁移的条件关系、目标与训练样本的覆盖要求、去偏项如何自动构造，以及干扰函数收敛条件和双重差分应用中的识别假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出数据融合、识别和渐近结果的完整条件，不能认为仅给出参数公式即可保证可靠估计。
原文摘要
We present machine learning estimators for causal and predictive parameters under covariate shift, where covariate distributions differ between training and target populations. One such parameter is the average effect of a policy that alters the covariate distribution, such as a treatment modifying surrogate covariates used to predict long-term outcomes. Another example is the average treatment effect for a population with a shifted covariate distribution, like the effect of a policy on the treated group. We propose a debiased machine learning method to estimate a broad class of these parameters in a statistically reliable and automatic manner. Our method eliminates regularization biases arising from the use of machine learning tools in high-dimensional settings, relying solely on the parameter's defining formula. It employs data fusion by combining samples from target and training data to eliminate biases. We prove that our estimator is consistent and asymptotically normal. Computational experiments and an empirical study on the impact of minimum wage increases on teen employment--using the difference-in-differences framework with unconfoundedness--demonstrate the effectiveness of our method.