Краткое содержание

arXiv:2507.02275v3 Тип объявления: замена-перекрёстная публикация Аннотация: Структурно-независимый вывод причинно-следственных связей изучает, насколько хорошо можно оценить эффект лечения, используя оценки функций помех («nuisance») от машинного обучения общего назначения (например, влияние смешивающих факторов на лечение и исходы). В данной работе мы показываем, что ответ зависит неожиданным образом от распределения шума лечения. Сосредотачиваясь на частично линейной модели Robinson'а (Robinson, 1988), мы сначала доказываем, что широко используемый оценщик двойного машинного обучения (Double Machine Learning — DML) является оптимальным по скорости минимакса для гауссова шума лечения, решая открытую проблему Mackey et al., 2018. Между тем, для независимого негауссового шума лечения мы демонстрируем, что DML всегда субоптимален, предлагая новые практические процедуры с повышенной устойчивостью к ошибкам функции помехи. Эти процедуры *оценки причинно-следственного эффекта* (*ACE*) используют структурно-независимые кумулянтные оценщики, достигая нечувствительности порядка $r$ к ошибкам функции помехи всякий раз, когда $(r+1)$–й кумулянт лечения отличен от нуля.