Hyperparameter Tuning for Causal Inference with Double Machine Learning: A Simulation Study
双重机器学习因果推断中的超参数调优：模拟研究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：摘要直接比较双重机器学习中辅助模型调参对因果参数估计的影响，属于因果推断的实践方法研究。
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…
双重机器学习因果推断中的超参数调优：模拟研究
- 研究问题
- 辅助模型的预测表现与双重机器学习的因果估计表现有何关系，调参切分、学习器选择及因果模型设定又如何影响结果？
- 方法与思路
- 作者利用因果推断数据挑战资料开展模拟，比较调参数据切分、机器学习方法与超参数，并考察 AutoML 和预测评价指标。
- 材料陈述的贡献
- 摘要称，研究为双重机器学习中的调参与实际决策提供经验性分析，涵盖数据切分、学习器选择以及用预测指标选择因果模型。
- 阅读关注点
- 应核对模拟中的因果目标和数据生成机制、调参是否发生信息泄漏，以及预测损失、偏差与推断表现如何分别评价。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未报告比较数值或明确推荐方案，不能认定预测最优即因果估计最优。
原文摘要
Proper hyperparameter tuning is essential for achieving optimal performance of modern machine learning (ML) methods in predictive tasks. While there is an extensive literature on tuning ML learners for prediction, there is only little guidance available on tuning ML learners for causal machine learning and how to select among different ML learners. In this paper, we empirically assess the relationship between the predictive performance of ML methods and the resulting causal estimation based on the Double Machine Learning (DML) approach by Chernozhukov et al. (2018). DML relies on estimating so-called nuisance parameters by treating them as supervised learning problems and using them as plug-in estimates to solve for the (causal) parameter. We conduct an extensive simulation study using data from the 2019 Atlantic Causal Inference Conference Data Challenge. We provide empirical insights on the role of hyperparameter tuning and other practical decisions for causal estimation with DML. First, we assess the importance of data splitting schemes for tuning ML learners within Double Machine Learning. Second, we investigate how the choice of ML methods and hyperparameters, including recent AutoML frameworks, impacts the estimation performance for a causal parameter of interest. Third, we assess to what extent the choice of a particular causal model, as characterized by incorporated parametric assumptions, can be based on predictive performance metrics.