雙重機器學習（DML）

你很想用一個彈性學習器去吸收幾十個混淆因子，但把一個正則化模型直接塞進效應估計裡會毒害它：那個為了幫助預測而設計的模型偏誤，會滲進因果數字裡。雙重機器學習就是一套紀律，讓你既能保留彈性學習器，又能還原一個一階無偏、以慣常的根號 n 速率收斂、且帶有有效信賴區間的效應估計。

兩個想法在背後運作。第一是 Neyman 正交性：把估計方程重塑，使它對 nuisance 函數（結果模型與傾向模型）小誤差的敏感度在一階上消失，於是中等不準的學習器並不會撼動效應。在部分線性模型裡，這表現為殘差對殘差的迴歸——用共變量去預測處置與結果，再把兩個學習器各自無法解釋的部分關聯起來。第二是交叉擬合（cross-fitting）：nuisance 在一份資料摺上擬合、效應在另一份摺上評估，移除否則會悄悄爬回來的過度擬合偏誤。

回報是一座連接現代預測與古典推論的有原則的橋：任何夠準的學習器都能充當 nuisance 估計器，而目標參數仍保有母數速率的保證。假設依舊是因果的、而非魔法的——無混淆、重疊，以及收斂得夠快（快於 n 的四次方根）的 nuisance 學習器。