本地化借记机器学习：有效推断分位数处理效果及其以外
Nathan Kallus、Xiaojie Mao、Masatoshi Uehara; 25(16):1−59, 2024.
摘要
我们考虑在估计方程中估计低维参数，该方程涉及依赖于目标参数作为输入的高维干扰函数。一个中心示例是因果推断中（局部）分位数处理效应（（L）QTE）的有效估计方程，其中涉及在待估计分位数处评估的协变量条件累积分布函数。现有的基于灵活估计干扰和插入估计值的方法，例如debased machine learning（DML），要求我们在所有可能的输入下学习干扰。对于（L）QTE，DML要求我们学习整个协变量条件累积分布函数。相反，我们提出了局部debiased machine learning（LDML），它避免了这一繁琐的步骤，只需对目标参数进行一次初始粗略猜测即可估计干扰。对于（L）QTE，LDML只需要学习两个回归函数，这是机器学习方法的标准任务。我们证明了在松弛率条件下，我们的估计与使用未知真干扰的不可行估计具有相同的有利渐近行为。因此，正如我们在实证研究中所证明的那样，当我们必须控制许多协变量和/或灵活的关系时，LDML显著地实现了对因果推理中重要数量（如（L）QTE）的实际可行和理论基础上的有效估计。
[腹肌]
[pdf格式][围兜] [代码]
