在这篇论文中，我们采用最近引入的无结构统计下界框架，证明了双重稳健估计器在平均处理效应以及对待处理群体的平均处理效应方面的统计优越性，以及这些估计器的加权变体，这在政策评估中广泛应用。

Feb, 2024

通过对模拟数据和真实世界数据的性能比较，本文评估了一种名为 “双重 / 无偏机器学习”（DML）的方法，在估算因果效应时，使用机器学习放宽了传统假设的限制。我们发现，将灵活的机器学习算法应用于 DML 可以提高对各种非线性混淆关系的调整，从而避免了传统因果效应估计中通常需要的功能形式假设。然而，我们证明这种方法仍然严重依赖于因果结构和识别的标准假设。在我们的应用中，估计空气污染对房价的影响时，我们发现 DML 估计结果一直比不太灵活的方法估计结果要大。基于我们的整体结果，我们为研究人员在实际应用 DML 时提供了可行的建议。

Mar, 2024

本文提出了一种基于双无偏机器学习 (DML) 的非参数推断方法，用于连续治疗变量的因果效应估计，同时解决了无遗漏条件和非参数 / 高维麻烦参数的问题，并通过利用基于核的双重稳健矩函数和交叉拟合提供了高级条件，以实现估计的无偏性。

Apr, 2020

本文提出了一种新方法，双重机器学习 (Double ML)，用于解决因变量的原因关系，利用多种主要和辅助机器学习预测模型解决辅助和主关键参数预测，通过 K 折采样交叉拟合解决过拟合问题。

Jul, 2016

通过局部修正的去偏机器学习方法，在因果推理中实现高效的参数估计，特别地，估计 (本地) 量化处理效应中高维干扰项内含参数的情况，格式为收敛速率条件松弛时远优于使用未知真实干扰项的估计器。

Dec, 2019

本论文旨在使用基于双重机器学习的方法对程序评估进行调整并进行扩展，并利用瑞士积极劳动力市场政策的多个程序进行评估。提出了规范化 DR-learner (NDR-learner) 方法来稳定个性化效果估计，从而更好地解决了 DR-learner 方法的局限性。

Mar, 2020

通过中度平衡的表示学习 (MBRL) 框架，同时利用正交机器学习理论中的噪声正交性信息，本研究成功解决了从观测数据中估计平均治疗效果 (ATE) 的问题，并通过基准和模拟数据集的全面实验验证展示了方法的优越性和鲁棒性。

Sep, 2022

研究调查了特定个体因果效应的度量 —— 条件平均处理效应（CATE）的估计和统计推断方法，使用线性模型定义 CATE 为这些线性模型的预期结果之间的差异，并通过高维线性回归方法进行一致性估计和统计推断，进一步使用双重 / 无偏机器学习（DML）和无偏 Lasso 技术减小偏差，通过模拟研究验证了方法的有效性。

Mar, 2024

这篇论文主要讨论了利用机器学习和计量经济学方法来预测及估计治疗效果中的个性化处理效应，作者使用了 meta-learner，比如的 Doubly-Robust, R-, T - 和 X-learner，以及专门设计来估计 CATE 的工具如因果 BART 和广义随机森林，通过两个实证案例 - 小额信贷可利用性和 401 (k) 养老计划资格的影响与效果，发现所有观察值均具正面的治疗效应，但存在不同的效应异质性。

Apr, 2021

我们开发了从面板数据中估计政策干预措施的估计量，允许混淆回归因子的非线性效果，并使用三个著名的机器学习算法（LASSO、分类和回归树以及随机森林）来研究这些估计量的性能。

Dec, 2023