Çift Makine Öğrenmesi
Double/Debiased Machine Learning (DML) · Ayrıca şöyle bilinir: Debiased Machine Learning, Neyman Orthogonal Score Estimation, Partialing-Out Lasso, Çift Makine Öğrenmesi
Chernozhukov ve diğerleri (2018) tarafından tanıtılan Çift/Yanlılığı Giderilmiş Makine Öğrenmesi (DML), yüksek boyutlu kontrol değişkenleri varlığında nedensel veya yapısal parametreleri tahmin etmek için yarı parametrik bir çerçevedir. Bu yöntem, rahatsız edici fonksiyonları—çıktının koşullu beklentileri ve kovaryatlara dayalı muamele—modellemek için esnek makine öğrenmesi yöntemlerini kullanır ve ardından, yüksek boyutlu ayarlarda içsel olan düzenlileştirme yanlılığına rağmen kök-n tutarlılığı ve geçerli çıkarım sağlayan, hedef parametrenin yanlılığı giderilmiş bir tahmincisini oluşturur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
DML'yi, çok sayıda potansiyel karıştırıcı faktör içeren gözlemsel verilerde nedensel veya yapısal bir parametre için nokta tahmini ve güven aralığına ihtiyacınız olduğunda kullanın. Kısmen doğrusal veya araçsal değişken tipi bir yapısal varsayım gerektirir: hedef parametre doğrusal olarak girerken, yüksek boyutlu rahatsız edici fonksiyon doğrusal olmayan olabilir. DML, ML yakınsaması için rahatsız edici fonksiyonlarda karıştırılmamışlık (ölçülmemiş karıştırıcı faktör yokluğu) ve yeterli düzgünlük varsayar. Nedensel parametrenin kendisi birimler arasında heterojen olduğunda, daha fazla uzantı olmaksızın uygun değildir; heterojen etkiler için, Nedensel Ormanlar veya aynı ortogonallik ilkesi üzerine inşa edilmiş R-öğrenici varyantları düşünülebilir.
Güçlü yönler & sınırlılıklar
- Yüzlerce kontrol değişkeniyle bile nedensel parametrelerin kök-n tutarlı, asimptotik olarak normal tahminini sağlar, saf lasso veya ridge yaklaşımlarının Düzenlileştirme Kaynaklı Karıştırıcı Faktör yanlılığını aşar.
- Rahatsız edici fonksiyon tahmini için ML öğrenici seçimine kayıtsızdır: yeterince hızlı yakınsama oranları sağlayan herhangi bir yöntem kullanılabilir, bu da uygulayıcılara her rahatsız edici problem için mevcut en iyi aracı kullanma esnekliği verir.
- Çapraz uyumlandırma, aşırı uyum yanlılığının çıkarımı kirletmesini önler, bu nedenle yöntem, verileri israf eden örneklem bölme gerektirmez—tüm gözlemler hem rahatsız edici öğrenmeye hem de nihai tahmine katkıda bulunur.
- Standart yarı parametrik düzenlilik koşulları altında geçerli standart hatalar, güven aralıkları ve hipotez testleri üretir, bu da nedensel iddiaları yorumlanabilir ve yanlışlanabilir kılar.
- Hedef parametre için kısmen doğrusal veya benzer düşük boyutlu parametrik bir yapı varsayar; R-öğrenici veya Nedensel Orman çerçevesine genişletilmeden birimler arası heterojen muamele etkilerini doğrudan tahmin etmez.
- Geçerlilik, karıştırılmamışlık varsayımına bağlıdır—tüm ilgili karıştırıcı faktörler gözlemlenmeli ve kovaryat kümesine dahil edilmelidir. DML, ölçülmemiş karıştırıcı faktörleri düzeltemez.
- Hedef parametrenin kök-n tutarlılığının sağlanması için rahatsız edici öğrenicilerin n^{-1/4}'ten daha hızlı yakınsama oranları elde etmesi gerekir; çok yüksek boyutlarda zayıf sinyal ile bu koşul sonlu örneklemlerde başarısız olabilir.
- Yöntem, skaler veya düşük boyutlu yapısal bir parametre üzerinde tahmin ve çıkarım için tasarlanmıştır; çok yüksek boyutlu parametre uzaylarına uygulanması ek teorik uzantılar gerektirir.
SSS
Neden çapraz uyumlandırmaya ihtiyacım var? Rahatsız edici fonksiyon tahmini için tüm örneklemi kullanıp sonra kısmi çıkarma regresyonunu çalıştıramaz mıyım?
Çapraz uyumlandırma olmadan, rahatsız edici tahminler, kalıntılar ile tahmin hatası arasında bir korelasyon oluşturan örneklem içi aşırı uyum taşır ve nihai tahminde birinci dereceden yanlılık yaratır. Çapraz uyumlandırma, bir kalıntıyı hesaplamak için kullanılan rahatsız edici modelin o gözlem üzerinde asla eğitilmemesini sağlayarak bunu ortadan kaldırır ve kalıntı ile rahatsız edici hatayı asimptotik olarak ilişkisiz hale getirir.
DML'de rahatsız edici fonksiyonlar için hangi makine öğrenmesi yöntemlerini kullanabilirim?
Ortalama kare tahmin hatası n^{-1/2}'den daha hızlı yakınsayan herhangi bir ML yöntemi teorik olarak geçerlidir; pratikte buna lasso, ridge, elastic net, rastgele ormanlar, gradyan artırma (XGBoost, LightGBM) ve sinir ağları dahildir. Seçim, nihai nedensel tahmine göre değil, her bir rahatsız edici problem için çapraz doğrulanmış tahmin performansına göre yönlendirilmelidir.
DML heterojen muamele etkilerini mi tahmin eder, yoksa sadece ortalama muamele etkisini mi?
Temel biçiminde DML, tek bir skaler veya düşük boyutlu yapısal parametreyi hedefler—tipik olarak kısmi doğrusallık altında ağırlıklı bir ortalama muamele etkisi. Alt gruplar veya bireysel düzeylerde heterojen muamele etkisi tahmini için, R-öğrenici veya Nedensel Orman gibi uzantılar gereklidir; bunlar aynı Neyman ortogonallik ilkesi üzerine inşa edilir ancak heterojenlik için ikinci bir aşama ekler.
Kaynaklar
- Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1–C68. DOI: 10.1111/ectj.12097 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/tr/causal-inference/double-machine-learning
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Heterojen Tedavi Etkileri (CATE / Meta-Öğreniciler)Nedensel çıkarım↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır