Buchumschlag

Debiased Machine Learning when Nuisance Parameters Appear in Indicator Functions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Park, Gyungbae
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Econometrics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Simple and Adaptive Confidence Interval when Nuisance Parameters Satisfy an Inequality
von: Cox, Gregory Fletcher
Veröffentlicht: (2024)

Robust Inference when Nuisance Parameters may be Partially Identified with Applications to Synthetic Controls
von: Fry, Joseph
Veröffentlicht: (2025)

Unified Inference on Moment Restrictions with Nuisance Parameters
von: Li, Xingyu, et al.
Veröffentlicht: (2022)

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

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

Testing Inequalities Linear in Nuisance Parameters
von: Cox, Gregory Fletcher, et al.
Veröffentlicht: (2025)

Inference on Partially Identified Parameters with Separable Nuisance Parameters: a Two-Stage Method
von: Tian, Xunkang
Veröffentlicht: (2025)

Debiased Machine Learning U-statistics
von: Escanciano, Juan Carlos, et al.
Veröffentlicht: (2022)

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

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

On the Nuisance of Control Variables in Regression Analysis
von: Hünermund, Paul, et al.
Veröffentlicht: (2020)

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

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

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

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

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

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

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)

(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)

Imputation of Counterfactual Outcomes when the Errors are Predictable
von: Goncalves, Silvia, et al.
Veröffentlicht: (2024)

Estimating Individual Responses when Tomorrow Matters
von: Bonhomme, Stephane, et al.
Veröffentlicht: (2023)

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)

Difference-in-Differences when Parallel Trends Holds Conditional on Covariates
von: Caetano, Carolina, et al.
Veröffentlicht: (2024)

Bayesian Indicator-Saturated Regression for Climate Policy Evaluation
von: Konrad, Lucas D., et al.
Veröffentlicht: (2026)

Deep Learning for the Estimation of Heterogeneous Parameters in Discrete Choice Models
von: Hetzenecker, Stephan, et al.
Veröffentlicht: (2024)

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)

Identification of dynamic treatment effects when treatment histories are partially observed
von: Negi, Akanksha, et al.
Veröffentlicht: (2025)

Testing the order of fractional integration when smooth deterministic trends are possibly present
von: Kılınç, Mustafa R., et al.
Veröffentlicht: (2024)