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

介绍和讨论 IV 方法及其在因果推断和机器学习中的应用，主要包括两阶段最小二乘法、控制函数和 IV 评估；总结了实际应用场景中的数据集和算法，并讨论了未来研究的方向和问题。

Dec, 2022

本文综述了数据驱动方法在异质性治疗效应估计上的应用，分为基于反事实预测和直接估计因果效应的方法，还有从数据中学习模型结构的结构因果模型方法，并在不同结构模型机制下进行了实证评估。

Jan, 2023

本研究提出一种称为 B-Learner 的元学习器，可以在隐含混淆的限制下有效地学习 CATE 函数的尖锐界限，该方法具有有效、尖锐和高效的性质，在更一般的条件下，其估计量具有拟神谕性质。

Apr, 2023

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

本文探讨了在因果推断和治疗效果估计中使用非结构化多模态数据（即文本和图像）的方法。我们提出了一种适应双机器学习（DML）框架，特别是部分线性模型的神经网络架构。我们还提出了一种新方法来生成半合成数据集，以评估在存在文本和图像混淆因素的情况下因果效应估计的性能。所提出的方法和架构在半合成数据集上进行了评估，并与标准方法进行了比较，突显了直接使用文本和图像进行因果研究的潜在好处。我们的研究结果对经济学、市场营销、金融、医学和数据科学等领域的研究人员和实践者在使用非传统数据估计因果数量方面具有重要意义。

Feb, 2024

我们的研究论文利用图神经网络和双机器学习的新方法，结合社交网络，有效地推断出因果效应，并证明该估计器在因果效应估计中具有良好的性能。

Mar, 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

利用回归树对面板数据进行分析，将观测值划分为具有相似治疗效果的不相交簇，并利用面板数据的低秩结构估计每个簇的平均治疗效果，提供更准确和可解释的估计结果。

Jun, 2024

本研究解决了机器学习评估中缺乏严格统计方法的问题，通过引入经济计量学的关键统计技术，如最小二乘回归和方差分析，增强机器学习系统的分析与改进能力。研究结果表明，应用这些方法能够深入理解模型的行为与表现，促进更健壮和可解释的机器学习技术的发展。

Oct, 2024