Double Debiased Machine Learning Nonparametric Inference with Continuous Treatments
连续处理的双重去偏机器学习非参数推断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。
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：摘要明确在无混杂框架下研究连续处理的因果效应、平均剂量反应函数与去偏机器学习推断。
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
连续处理的双重去偏机器学习非参数推断
- 研究问题
- 在无混杂条件下，如何利用非参数或高维机器学习辅助函数，估计连续处理的平均剂量反应与偏效应并进行有效推断？
- 方法与思路
- 作者结合核局部化的双重稳健矩条件与交叉拟合，估计平均剂量反应函数及偏效应，并允许条件均值和条件密度由机器学习估计。
- 材料陈述的贡献
- 摘要称估计量以非参数速率渐近正态，给出辅助估计不影响一阶分布的条件，以及核、级数和深度神经网络的充分条件。
- 阅读关注点
- 应核对无混杂与其他识别条件、带宽和辅助函数误差的联合要求、双重稳健性的具体含义，以及偏效应与置信推断的实现。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；各方法的速率要求与实证数值未说明，双重稳健不保证任意机器学习方法都适用，也不能推断刊本变化。
原文摘要
We propose a doubly robust inference method for causal effects of continuous treatment variables, under unconfoundedness and with nonparametric or high-dimensional nuisance functions. Our double debiased machine learning (DML) estimators for the average dose-response function (or the average structural function) and the partial effects are asymptotically normal with nonparametric convergence rates. The first-step estimators for the nuisance conditional expectation function and the conditional density can be nonparametric or ML methods. Utilizing a kernel-based doubly robust moment function and cross-fitting, we give high-level conditions under which the nuisance function estimators do not affect the first-order large sample distribution of the DML estimators. We provide sufficient low-level conditions for kernel, series, and deep neural networks. We justify the use of kernel to localize the continuous treatment at a given value by the Gateaux derivative. We implement various ML methods in Monte Carlo simulations and an empirical application on a job training program evaluation.