Andres Aradillas Fernandez · Victor Chernozhukov · Carlos Cinelli · 4+
文本、图像等丰富对象越来越多地通过 AI 学习表示作为控制变量进入因果分析。对一大类估计量而言,用表示替代原始对象会使目标偏移,偏移量为两个误差的内积:一个来自结果回归,一个来自平衡权重。因此偏差受二者规模乘积的约束。由此可得三点结论。表示固定时,常规交叉拟合去偏机器学习(DML)区间对表示特定目标有效;当近似偏差相对抽样误差可忽略时,该区间对因果目标也有效。若该偏差不可忽略,敏感性分析可界定因果目标并为端点提供置信界。当嵌入在样本上调优时,三种方法可保持有效推断:固定菜单微调、联合损失调优和双重表示选择。一个多模态需求应用展示了该工作流程。