Cross-Fitting Under Nonregularity: Normality and Inference via Locality
非正则情形下的交叉拟合：基于局部性的正态性与推断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：摘要明确以异质性处理效应检验和最优治疗规则价值估计为应用，直接关联因果推断。
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
非正则情形下的交叉拟合：基于局部性的正态性与推断
- 研究问题
- 在模型比较、异质性处理效应或最优治疗规则等非正则问题中，如何处理交叉折依赖导致的置信区间覆盖不足？
- 方法与思路
- 作者利用新的局部性条件建立交叉拟合估计量的中心极限定理，估计跨折相关性并据此调整渐近方差。
- 材料陈述的贡献
- 摘要称调整后的区间达到渐近名义覆盖率，且随机森林与神经网络模拟中覆盖率接近名义水平。
- 阅读关注点
- 应核对局部性条件、非正则问题的适用范围、跨折相关估计的一致性，以及模拟中折数和学习器设置。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收；摘要未给出完整局部性条件、覆盖误差或有限样本保证。
原文摘要
Cross-fitting is routine in much of applied research. While conventional confidence intervals that ignore cross-fold dependence are asymptotically valid in several settings, they undercover in many applications that share a common form of nonregularity: from the classic cross-validation problem of testing whether a fitted model outperforms another, to testing for heterogeneous treatment effects with machine learning, to estimating the value of a potentially non-unique optimal treatment regime. Exploiting a new locality condition, I show that a large class of cross-fitting estimators still satisfies a central limit theorem despite the nonregularity, but with an asymptotic variance that must be adjusted for the cross-fold correlation. Then, I propose a method for estimating this correlation and construct new confidence intervals that attain asymptotically nominal coverage. Finally, I show that the proposed confidence intervals attain approximately nominal coverage in a simulation study with random forests and neural networks.