Bootstrap consistency for general double/debiased machine learning estimators
一般双重／去偏机器学习估计量的自助法一致性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：摘要研究一般双重／去偏机器学习估计量的重抽样理论，未限定因果参数或具体经济数据结构，故保留空分类。
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
一般双重／去偏机器学习估计量的自助法一致性
- 研究问题
- 双重／去偏机器学习估计量即使渐近正态，其自助法是否仍有效，哪些加权重抽样方案能够逼近原估计量的抽样分布？
- 方法与思路
- 作者在正交得分和交叉拟合框架下研究一般可交换加权重抽样，证明自助分布条件弱收敛，并将 Efron 自助法纳入特例。
- 材料陈述的贡献
- 摘要称，在保证双重／去偏机器学习本身有效的相同条件下，可建立自助法有效性，为相关重抽样推断提供理论依据。
- 阅读关注点
- 应核对适用的得分及参数类别、可交换权重条件、重抽样时是否重估辅助函数，以及条件弱收敛所用的具体假设。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列出完整条件与算法实现，不能据此认定所有机器学习自助法均有效。
原文摘要
Double/debiased machine learning (DML) provides a general framework for inference with high-dimensional or otherwise complex nuisance parameters by combining Neyman-orthogonal scores with cross-fitting, thereby circumventing classical Donsker-type conditions in many modern machine-learning settings. Despite its strong empirical performance, bootstrap inference for DML estimators has received little theoretical justification. This is particularly noteworthy since bootstrap methods are suggested ad used for inference on DML estimators, even though bootstrap procedures can fail for estimators that are root-$n$ consistent and asymptotically normal. This paper fills this gap by establishing bootstrap validity for DML estimators under general exchangeably weighted resampling schemes, with Efron's bootstrap as a special case. Under exactly the same conditions required for the validity of DML itself, we prove that the bootstrap law converges conditionally weakly to the sampling law of the original estimator.