基于深度神经网络的个体处理效应扩展置信推断

个体处理效应估计在近期数据科学文献中备受关注。本文引入双重神经网络（Double-NN）方法，在扩展置信推断（EFI）框架下解决该问题。在所提方法中，深度神经网络被用于建模处理效应函数和控制效应函数，同时采用另一个神经网络来估计其参数。深度神经网络的通用逼近能力确保了该方法的广泛适用性。数值结果突显了所提出的 Double-NN 方法在个体处理效应估计中相较于共形分位数回归（CQR）方法的优越性能。从统计推断的角度看，本工作推进了大模型统计推断的理论与方法论。具体而言，本文从理论上证明了所提方法允许模型规模随样本量 $n$ 以 $O(n^{\zeta})$（其中 $0 \leq \zeta<1$）的速率增长，同时仍能保持对模型参数不确定性的恰当量化。这一结果相较于经典中心极限定理所要求的 $0\leq \zeta < \frac{1}{2}$ 范围，标志着显著的改进。此外，本工作为在神经标度律下量化深度神经网络的不确定性提供了一个严谨的框架，代表了对大规模神经网络模型统计理解的重要贡献。