Bayesian Double Machine Learning for Causal Inference
用于因果推断的贝叶斯双重机器学习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：摘要明确围绕部分线性模型中的因果效应、高维混杂控制和双重机器学习展开，因此选择因果推断方向。
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…
关注这篇论文的作者
用于因果推断的贝叶斯双重机器学习
- 研究问题
- 在含高维控制变量的部分线性模型中，如何用完整贝叶斯建模缓解正则化诱发的混杂，并改善因果参数推断？
- 方法与思路
- 作者修改标准贝叶斯多元回归模型，从约化式协方差矩阵恢复因果效应，并用 Bernstein–von Mises 定理研究渐近性质。
- 材料陈述的贡献
- 摘要称该方法具有较低渐近偏差、渐近正态性和半参数效率；模拟中相较所选方法具有较低均方根误差及更好的区间表现。
- 阅读关注点
- 应核对先验设定、高维增长条件、协方差与因果参数的对应关系，以及定理支持的模型误设范围和有限样本比较设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未给出先验和定理条件，不能据此断言对任意模型误设或样本规模稳健。
原文摘要
This paper proposes a simple, novel, and fully-Bayesian approach for causal inference in partially linear models with high-dimensional control variables. Off-the-shelf machine learning methods can introduce biases in the causal parameter known as regularization-induced confounding. To address this, we propose a Bayesian Double Machine Learning (BDML) method, which modifies a standard Bayesian multivariate regression model and recovers the causal effect of interest from the reduced-form covariance matrix. Our BDML is related to the burgeoning frequentist literature on DML while addressing its limitations in finite-sample inference. Moreover, the BDML is based on a fully generative probability model in the DML context, adhering to the likelihood principle. We show that in high dimensional setups the naive estimator implicitly assumes no selection on observables--unlike our BDML. The BDML exhibits lower asymptotic bias and achieves asymptotic normality and semiparametric efficiency as established by a Bernstein-von Mises theorem, thereby ensuring robustness to misspecification. In simulations, our BDML achieves lower RMSE, better frequentist coverage, and shorter confidence interval width than alternatives from the literature, both Bayesian and frequentist.