Buchumschlag

Debiased Machine Learning U-statistics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Escanciano, Juan Carlos, Terschuur, Joël Robert
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Econometrics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Machine Learning Debiasing with Conditional Moment Restrictions: An Application to LATE
von: Argañaraz, Facundo, et al.
Veröffentlicht: (2024)

Debiased Machine Learning for Unobserved Heterogeneity: High-Dimensional Panels and Measurement Error Models
von: Argañaraz, Facundo, et al.
Veröffentlicht: (2025)

Locally Robust Policy Learning: Inequality, Inequality of Opportunity and Intergenerational Mobility
von: Terschuur, Joël
Veröffentlicht: (2025)

Extending the Scope of Inference About Predictive Ability to Machine Learning Methods
von: Escanciano, Juan Carlos, et al.
Veröffentlicht: (2024)

Automatic Locally Robust GMM with Machine-Learning-Generated Regressors
von: Escanciano, Juan Carlos, et al.
Veröffentlicht: (2023)

Identification and Estimation in Fuzzy Regression Discontinuity Designs with Covariates
von: Caetano, Carolina, et al.
Veröffentlicht: (2026)

On the Asymptotic Properties of Debiased Machine Learning Estimators
von: Velez, Amilcar
Veröffentlicht: (2024)

Automatic Debiased Machine Learning of Structural Parameters with General Conditional Moments
von: Argañaraz, Facundo
Veröffentlicht: (2025)

Debiased Machine Learning when Nuisance Parameters Appear in Indicator Functions
von: Park, Gyungbae
Veröffentlicht: (2024)

Debiased Machine Learning of Aggregated Intersection Bounds and Other Causal Parameters
von: Semenova, Vira
Veröffentlicht: (2023)

Neighborhood Stability in Double/Debiased Machine Learning with Dependent Data
von: Cao, Jianfei, et al.
Veröffentlicht: (2025)

An Introduction to Double/Debiased Machine Learning
von: Ahrens, Achim, et al.
Veröffentlicht: (2025)

Cross-Fitting-Free Debiased Machine Learning with Multiway Dependence
von: Chen, Kaicheng, et al.
Veröffentlicht: (2026)

Double/Debiased Machine Learning for Treatment and Causal Parameters
von: Chernozhukov, Victor, et al.
Veröffentlicht: (2016)

Difference-in-Differences with Time-varying Continuous Treatments using Double/Debiased Machine Learning
von: Haddad, Michel F. C., et al.
Veröffentlicht: (2024)

Higher-Order Debiased Estimators for General Treatment Models
von: Zhang, Yulin, et al.
Veröffentlicht: (2026)

Direct Debiased Machine Learning via Bregman Divergence Minimization
von: Kato, Masahiro
Veröffentlicht: (2025)

Improving the Finite Sample Estimation of Average Treatment Effects using Double/Debiased Machine Learning with Propensity Score Calibration
von: Ballinari, Daniele, et al.
Veröffentlicht: (2024)

Debiasing and $t$-tests for synthetic control inference on average causal effects
von: Chernozhukov, Victor, et al.
Veröffentlicht: (2018)

Debiased Inference for Dynamic Nonlinear Panels with Multi-dimensional Heterogeneities
von: Leng, Xuan, et al.
Veröffentlicht: (2023)

Anytime-Valid Inference for Double/Debiased Machine Learning of Causal Parameters
von: Dalal, Abhinandan, et al.
Veröffentlicht: (2024)

Monthly GDP nowcasting with Machine Learning and Unstructured Data
von: Tenorio, Juan, et al.
Veröffentlicht: (2024)

(Debiased) Inference for Fixed Effects Estimators with Three-Dimensional Panel and Network Data
von: Czarnowske, Daniel, et al.
Veröffentlicht: (2025)

On a Debiased and Semiparametric Efficient Changes-in-Changes Estimator
von: Sun, Jinghao, et al.
Veröffentlicht: (2025)

genriesz: A Python Package for Automatic Debiased Machine Learning with Generalized Riesz Regression
von: Kato, Masahiro
Veröffentlicht: (2026)

ScoreMatchingRiesz: Score Matching for Debiased Machine Learning and Policy Path Estimation
von: Kato, Masahiro
Veröffentlicht: (2025)

Debiased Ill-Posed Regression
von: Ghassami, AmirEmad, et al.
Veröffentlicht: (2025)

Triple/Double-Debiased Lasso
von: Chetverikov, Denis, et al.
Veröffentlicht: (2026)

Covariate Balancing and Riesz Regression Should Be Guided by the Neyman Orthogonal Score in Debiased Machine Learning
von: Kato, Masahiro
Veröffentlicht: (2026)

A Unified Framework for Debiased Machine Learning: Riesz Representer Fitting under Bregman Divergence
von: Kato, Masahiro
Veröffentlicht: (2026)

Comprehensive Causal Machine Learning
von: Lechner, Michael, et al.
Veröffentlicht: (2024)

A Unified Theory for Causal Inference: Direct Debiased Machine Learning via Bregman-Riesz Regression
von: Kato, Masahiro
Veröffentlicht: (2025)

Deconvolution from two order statistics
von: Cho, JoonHwan, et al.
Veröffentlicht: (2024)

Double Machine Learning for Time Series
von: Ciganovic, Milos, et al.
Veröffentlicht: (2026)

A New and Efficient Debiased Estimation of General Treatment Models by Balanced Neural Networks Weighting
von: Wu, Zeqi, et al.
Veröffentlicht: (2025)

Double/Debiased CoCoLASSO of Treatment Effects with Mismeasured High-Dimensional Control Variables
von: Kim, Geonwoo, et al.
Veröffentlicht: (2024)

Debiased Kernel Estimation of Spot Volatility in the Presence of Infinite Variation Jumps
von: Boniece, B. Cooper, et al.
Veröffentlicht: (2025)

Bayesian Double Machine Learning for Causal Inference
von: DiTraglia, Francis J., et al.
Veröffentlicht: (2025)

On the (Mis)Use of Machine Learning with Panel Data
von: Cerqua, Augusto, et al.
Veröffentlicht: (2024)

Machine Learning the Macroeconomic Effects of Financial Shocks
von: Hauzenberger, Niko, et al.
Veröffentlicht: (2024)