calibrated debiased machine learning

新的校准DML方法增强了处理效应的统计推断

研究人员开发了一种名为校准去偏机器学习（DML）的新方法，以提高双重稳健估计量的准确性。这些估计量通常用于分析处理效应和回归函数。新技术解决了不匹配问题，即一致性只需要一个干扰函数准确，而渐近正态性则需要两个快速收敛的函数。通过结合等渗回归进行校准，该方法即使一个干扰估计量收敛缓慢或不一致，只要满足部分正交条件，也能确保渐近正态性。该方法还包括一个用于置信区间的引导辅助方法，并在基准数据集上显示出偏倚减少和覆盖率提高。