随机实验中基于条件交叉拟合的无偏机器学习辅助协变量调整方法
统计方法学
2025-08-22 v1
摘要
随机实验是估计平均处理效应（ATE）的黄金标准。虽然协变量调整可降低对 ATE 的无偏 Horvitz-Thompson 估计量的渐近方差，但由于在预测和估计中重复使用数据，存在有限样本偏差。传统的样本分割和交叉拟合方法可解决数据重复使用问题，获得无偏估计量。然而，这些方法要求数据独立同分布，这在随机实验的设计基推断框架下通常不成立。为此，我们提出一种新型条件交叉拟合方法，基于随机实验的设计基推断框架，其中潜在结果和协变量为固定值，随机化是唯一的随机来源。我们为各种随机实验提出样本分割算法，包括伯努利随机实验、完全随机实验和分层随机实验。基于这些算法，我们构建无偏协变量调整 ATE 估计量，并提出有效的推断程序。我们的方法可容纳灵活的机器学习辅助协变量调整，允许模型误规定。
引用
@article{arxiv.2508.15664,
title = {Conditional cross-fitting for unbiased machine-learning-assisted covariate adjustment in randomized experiments},
author = {Xin Lu and Lei Shi and Hanzhong Liu and Peng Ding},
journal= {arXiv preprint arXiv:2508.15664},
year = {2025}
}