关于“随机实验中异质处理效应的通用机器学习推断”的评论
统计方法学
2025-02-11 v1 计量经济学
摘要
我们分析了Chernozhukov、Demirer、Duflo和Fernandez-Val（CDDF）提出的分样本鲁棒推断（SSRI）方法，用于量化不均匀处理效应估计中的不确定性。尽管SSRI有效地考虑了数据分割的随机性，但当与复杂的机器学习（ML）模型结合时，其计算成本可能昂贵。我们提出了一种替代的随机化推断（RI）方法，无需重复数据分割即可保持SSRI的通用性。通过利用交叉适应和设计基推断，RI实现了有效的置信区间，同时显著降低了计算负担。我们通过仿真比较了两种方法，证明RI在保持统计效率的同时更适用于大规模应用。
引用
@article{arxiv.2502.06758,
title = {Comment on "Generic machine learning inference on heterogeneous treatment effects in randomized experiments."},
author = {Kosuke Imai and Michael Lingzhi Li},
journal= {arXiv preprint arXiv:2502.06758},
year = {2025}
}
备注
Comment on arXiv:1712.04802