Double Machine Learning for Time Series
面向时间序列的双重机器学习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：摘要明确针对宏观时间序列，并以残差化局部投影估计监管资本变化的动态效应，因此对应时间序列与局部投影方向。
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…
面向时间序列的双重机器学习
- 研究问题
- 如何将双重机器学习用于宏观时间序列，在时间依赖和高维辅助模型调参下，提高样本利用率并改善因果参数推断？
- 方法与思路
- 作者提出确定性的反向交叉拟合，利用平稳序列的时间可逆性，并设计针对残差化信号的调参校准规则，应用于残差化局部投影。
- 材料陈述的贡献
- 摘要称，文章给出渐近有效性的条件与证明，模拟展示有限样本表现，并用监管一级资本上升的动态效应说明宏观推断应用。
- 阅读关注点
- 应核对平稳性与时间可逆性的具体要求、交叉拟合如何处理依赖，以及调参校准标准；应用中还需检查资本变化的因果识别依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出完整条件，模拟中的稳健表现不能说明任意异方差或模型误设下均有效。
原文摘要
We modify the Double Machine Learning estimator to broaden its applicability to macroeconomic time-series settings. A deterministic cross-fitting step, termed Reverse Cross-Fitting, leverages the time-reversibility of stationary series to improve sample utilization and efficiency. We detail and prove the conditions under which the estimator is asymptotically valid. We then demonstrate, through simulations, that its performance remains valid in realistic finite samples and is robust to model misspecification and violations of assumptions, such as heteroskedasticity. In high dimensions, predictive metrics for tuning nuisance learners do not generally minimize bias in the causal score. We propose a calibration rule targeting a "Goldilocks zone", a region of tuning parameters that delivers stable, partialled-out signals and reduced small-sample bias. Finally, we apply our procedure to residualized Local Projections to estimate the dynamic effects of a rise in Tier 1 regulatory capital. The results underscore the usefulness of the methodology for inference in macroeconomic applications.