DoubleML -- An Object-Oriented Implementation of Double Machine Learning in R
DoubleML：R 中双重机器学习的面向对象实现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：摘要明确说明软件用于因果模型推断，包括部分线性、交互回归和工具变量模型。
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…
DoubleML：R 中双重机器学习的面向对象实现
- 研究问题
- 如何在 R 中利用多种机器学习方法估计因果模型的干扰参数，并结合正交性和样本分割进行目标参数推断？
- 方法与思路
- 作者介绍 DoubleML 包，以 Neyman 正交性、机器学习和样本分割为核心，借助 mlr3 支持多类回归及工具变量模型。
- 材料陈述的贡献
- 摘要称面向对象实现提高模型设定与扩展的灵活性，并通过模拟和真实数据的可复现代码示例演示机器学习辅助推断。
- 阅读关注点
- 应核对各模型的因果识别条件、正交得分、样本分割配置和学习器要求，以及示例代码与所用软件版本的一致性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未列出各模型的完整条件，使用软件本身不能保证识别成立或推断有效。
原文摘要
The R package DoubleML implements the double/debiased machine learning framework of Chernozhukov et al. (2018). It provides functionalities to estimate parameters in causal models based on machine learning methods. The double machine learning framework consist of three key ingredients: Neyman orthogonality, high-quality machine learning estimation and sample splitting. Estimation of nuisance components can be performed by various state-of-the-art machine learning methods that are available in the mlr3 ecosystem. DoubleML makes it possible to perform inference in a variety of causal models, including partially linear and interactive regression models and their extensions to instrumental variable estimation. The object-oriented implementation of DoubleML enables a high flexibility for the model specification and makes it easily extendable. This paper serves as an introduction to the double machine learning framework and the R package DoubleML. In reproducible code examples with simulated and real data sets, we demonstrate how DoubleML users can perform valid inference based on machine learning methods.