Automatic Double Machine Learning for Continuous Treatment Effects
连续处理效应的自动双重机器学习估计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：摘要明确估计连续处理的平均剂量反应函数，并以双重机器学习去偏构造因果效应估计量，因此归入因果推断。
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
连续处理效应的自动双重机器学习估计
- 研究问题
- 对于连续取值的处理变量，如何非参数估计各剂量水平对应的平均潜在结局，并构造具有稳定性和渐近正态性的估计方法？
- 方法与思路
- 作者结合双重去偏机器学习与自动双重机器学习工具，构造平均剂量反应函数估计量，并提出新的去偏机制。
- 材料陈述的贡献
- 摘要称，新估计量具有渐近正态性，去偏方法具备理论稳定性和平衡性质，且模拟中相较现有方法表现良好。
- 阅读关注点
- 应核对剂量反应函数的识别条件、去偏公式、平滑参数与辅助函数估计要求，以及渐近正态性对应的收敛速度和方差。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明识别与正则条件，也未提供性能比较的数值和范围。
原文摘要
In this paper, we introduce and prove asymptotic normality for a new nonparametric estimator of continuous treatment effects. Specifically, we estimate the average dose-response function - the expected value of an outcome of interest at a particular level of the treatment level. We utilize tools from both the double debiased machine learning (DML) and the automatic double machine learning (ADML) literatures to construct our estimator. Our estimator utilizes a novel debiasing method that leads to nice theoretical stability and balancing properties. In simulations our estimator performs well compared to current methods.