关于机器学习估计的因果参数名义置信区间覆盖率的近无假设检验

对于许多感兴趣的因果效应参数，双重稳健机器学习（DRML）估计量 $\hat{\psi}_{1}$ 是最先进的，它结合了机器学习的良好预测性能、双重稳健估计量的偏差减小，以及样本分割与交叉拟合的分析可处理性与偏差缩减。尽管如此，即使在没有未测量因素混杂的情况下，名义 $(1 - \alpha)$ Wald置信区间 $\hat{\psi}_{1} \pm z_{\alpha / 2} \widehat{\mathsf{se}} [\hat{\psi}_{1}]$ 在 large samples 中仍可能欠覆盖，因为 $\hat{\psi}_{1}$ 的偏差可能与其 $n^{-1/2}$ 阶标准误同阶甚至更大。在本文中，我们引入本质上无假设的检验，其（i）可证伪 $\hat{\psi}_{1}$ 偏差小于其标准误阶的零假设，（ii）可对Wald区间的真实覆盖率提供上置信界，（iii）在零假设下对 nuisance parameters 无光滑性/稀疏性假设时仍有效。这些我们称之为下划线{A}ssumption下划线{F}ree下划线{E}mpirical下划线{C}overage下划线{T}ests（AFECTs）的检验，基于一个估计 $\hat{\psi}_{1}$ 部分偏差的U-统计量。