Inference for Heterogeneous Treatment Effects with Efficient Instruments and Machine Learning
利用有效工具变量与机器学习推断异质处理效应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：摘要直接研究内生性下的工具变量异质处理效应估计，并结合去偏机器学习进行推断，因此归入因果推断而非通用预测方向。
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…
利用有效工具变量与机器学习推断异质处理效应
- 研究问题
- 研究存在内生性和异质处理效应时，如何结合机器学习工具变量进行估计与推断，并改善置信集合对弱工具变量的稳健性。
- 方法与思路
- 作者将双重／去偏机器学习、有效机器学习工具变量和核平滑结合，构建异质效应估计量，同时讨论对应的同质效应估计方法。
- 材料陈述的贡献
- 摘要称证明估计量的一致性与渐近正态性，构造对弱工具变量更稳健的置信集合，并通过合成和真实数据评估及提供 IVDML 包。
- 阅读关注点
- 应核对异质效应的具体目标、工具变量有效性与强度条件、核带宽要求，以及弱工具变量置信集合的覆盖范围和构造方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未说明识别及推断的完整条件，“更稳健”不能直接理解为任意弱工具下统一有效。
原文摘要
We introduce a new instrumental variable (IV) estimator for heterogeneous treatment effects in the presence of endogeneity. Our estimator is based on double/debiased machine learning (DML) and uses efficient machine learning instruments (MLIV) and kernel smoothing. We prove consistency and asymptotic normality of our estimator and also construct confidence sets that are more robust towards weak IV. Along the way, we also provide an accessible discussion of the corresponding estimator for the homogeneous treatment effect with efficient machine learning instruments. The methods are evaluated on synthetic and real datasets and an implementation is made available in the R package IVDML.