新研究质疑双重机器学习置信区间可靠性

一篇新研究论文探讨了在使用各种机器学习算法进行干扰参数估计时，双重机器学习（DML）中置信区间的可靠性。该研究进行了模拟，比较了LASSO、Random Forest、LightGBM和神经网络等算法的分析置信区间和自举置信区间。结果表明，覆盖性能存在显著差异，具体取决于所选的学习器，覆盖概率有时会随着样本量的增加而降低。该研究还将这些方法应用于检查美国肥胖患病率城乡差异的真实数据集，证实了学习器选择会影响模型性能，并发现了更大的乡村性与肥胖增加之间存在统计学上的显著联系。 AI

影响 强调了在因果分析中应用灵活的机器学习方法时，推断可靠性方面可能存在的问题。

排序理由 学术论文，详细介绍了一种新方法和模拟研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• Double Machine Learning
• lasso
• LightGBM
• Neural Networks
• random forest
• U.S.

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →