难以称之为正常：噪声对无结构估计的影响

无结构因果推断研究在给定黑箱机器学习对违背函数（如混杂变量对处理和结果的影响）的估计时，如何进行治疗效应估计。本文发现，答案以一种惊人的 ways 取决于治疗噪声的分布。我们聚焦于 \citet{robinson1988root} 提出的部分线性模型，首先表明广泛采用的数据机器学习（DML）估计量在高斯治疗噪声下达到最小逼近率，从而解决了 \citet{mackey2018orthogonal} 提出的开放问题。而对于独立的非高斯治疗噪声，我们表明DML总是次优的，通过构建新的实用程序来提高对违背误差的高阶鲁棒性。这些\emph{ACE}程序使用无结构累积量估计器，以实现对违背误差的 $r$ 阶敏感性，只要第 $(r+1)$ 阶治疗累积量非零。我们补充这些核心结果，通过二元治疗模型给出新的最小逼近保证。最后，通过合成需求估计实验，我们展示了更高阶鲁棒估计器的实际效益。