ترجمه فارسی مقاله استنباط هر زمان و معتبر برای یادگیری ماشین مضاعف/debiased از پارامترهای علی

چکیده

Double (debiased) machine learning (DML) has seen widespread use in recent years for learning causal/structural parameters, in part due to its flexibility and adaptability to high-dimensional nuisance functions as well as its ability to avoid bias from regularization or overfitting. However, the classic double-debiased framework is only valid asymptotically for a predetermined sample size, thus lacking the flexibility of collecting more data if sharper inference is needed, or stopping data collection early if useful inferences can be made earlier than expected. This can be of particular concern in large scale experimental studies with huge financial costs or human lives at stake, as well as in observational studies where the length of confidence of intervals do not shrink to zero even with increasing sample size due to partial identifiability of a structural parameter. In this paper, we present time-uniform counterparts to the asymptotic DML results, enabling valid inference and confidence intervals for structural parameters to be constructed at any arbitrary (possibly data-dependent) stopping time. We provide conditions which are only slightly stronger than the standard DML conditions, but offer the stronger guarantee for anytime-valid inference. This facilitates the transformation of any existing DML method to provide anytime-valid guarantees with minimal modifications, making it highly adaptable and easy to use. We illustrate our procedure using two instances: a) local average treatment effect in online experiments with non-compliance, and b) partial identification of average treatment effect in observational studies with potential unmeasured confounding.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین مضاعف (debiased) (DML) در سالهای اخیر برای یادگیری پارامترهای علیت/ساختاری ، تا حدودی به دلیل انعطاف پذیری و سازگاری با عملکردهای ناشایست با ابعاد بالا و همچنین توانایی آن در جلوگیری از تعصب از تنظیم و یا بیش از حد ، استفاده گسترده ای داشته است.با این حال ، چارچوب کلاسیک دو نفره کلاسیک فقط برای اندازه نمونه از پیش تعیین شده به صورت بدون علامت معتبر است ، بنابراین فاقد انعطاف پذیری در جمع آوری داده های بیشتر در صورت نیاز به استنتاج واضح تر است ، یا در صورتی که استنتاج های مفید زودتر از آنچه انتظار می رود ، جمع آوری داده ها را متوقف کنید.این می تواند در مطالعات تجربی در مقیاس بزرگ با هزینه های عظیم مالی یا زندگی انسان در معرض خطر و همچنین در مطالعات مشاهده ای باشد که در آن طول اعتماد به نفس فواصل حتی با افزایش اندازه نمونه به دلیل شناسایی جزئی از یک ، به صفر کاهش نمی یابد.پارامتر ساختاری.در این مقاله ، ما همتایان یکنواخت زمان را به نتایج DML بدون علامت ارائه می دهیم ، استنباط معتبر و فاصله اطمینان را برای پارامترهای ساختاری در هر زمان متوقف کردن خودسرانه (احتمالاً وابسته به داده) فراهم می کنیم.ما شرایطی را ارائه می دهیم که فقط کمی قوی تر از شرایط استاندارد DML هستند ، اما ضمانت قوی تری را برای هرگونه استنباط معتبر در هر زمان ارائه می دهند.این امر تحول در هر روش DML موجود را برای ارائه ضمانت های معتبر هر زمان با حداقل اصلاحات تسهیل می کند و آن را بسیار سازگار و استفاده می کند.ما روش خود را با استفاده از دو مورد نشان می دهیم: الف) میانگین درمان محلی در آزمایش های آنلاین با عدم رعایت ، و ب) شناسایی جزئی از میانگین اثر درمانی در مطالعات مشاهده ای با مخدوش احتمالی بالقوه.