4.3.1 双重/去偏差机器学习（DML）

文档摘要

4.3.1 双重/去偏差机器学习（DML） 4.3.1 双重/去偏差机器学习（DML）想象一下，你手握一堆观测数据，想从中挖掘出某个干预（如新药投放或政策调整）对结果（如销售额或健康指标）的真实因果效应。传统回归模型看似简单，却常常在高维混杂变量面前栽跟头：模型一复杂，偏差就如影随形。双重/去偏差机器学习（Double/Debiased Machine Learning, DML）正是为此而生。它不是简单套用黑箱ML，而是巧妙地将机器学习与半参数推断结合，让因果估计在 nuisance 函数（辅助函数，如倾向评分和条件期望）估计出错时仍能保持无偏。这套方法源于Chernozhukov et al.