arXiv 2026年10月5日该文针对交叉拟合中一类常见非正则性（如交叉验证比较模型、用机器学习检验异质性处理效应、估计可能非唯一的最优处理策略价值），引入新的局部性条件，证明一大类交叉拟合估计量在非正则情形下仍满足中心极限定理，但其渐近方差必须对跨折相关性进行调整；作者提出估计该相关性的方法并构造新的置信区间，使其达到渐近名义覆盖率，并在随机森林与神经网络的模拟研究中显示近似名义覆盖率。该文针对交叉拟合中一类常见非正则性（如交叉验证比较模型、用机器学习检验异质性处理效应、估计可能非唯一的最优处理策略价值），引入新的局部性条件，证明一大类交叉拟合估计量在非正则情形下仍满足中心极限定理，但其渐近方差必须对跨折相关性进行调整；作者提出估计该相关性的方法并构造新的置信区间，使其达到渐近名义覆盖率，并在随机森林与神经网络的模拟研究中显示近似名义覆盖率。交叉拟合在非正则情形下仍满足中心极限定理，但方差需按跨折相关性调整该文针对交叉拟合中一类常见非正则性（如交叉验证比较模型、用机器学习检验异质性处理效应、估计可能非唯一的最优处理策略价值），引入新的局部性条件，证明一大类交叉拟合估计量在非正则情形下仍满足中心极限定理，但其渐近方差必须对跨折相关性进行调整；作者提出估计该相关性的方法并构造新的置信区间，使其达到渐近名义覆盖率，并在随机森林与神经网络的模拟研究中显示近似名义覆盖率。该文针对交叉拟合中一类常见非正则性（如交叉验证比较模型、用机器学习检验异质性处理效应、估计可能非唯一的最优处理策略价值），引入新的局部性条件，证明一大类交叉拟合估计量在非正则情形下仍满足中心极限定理，但其渐近方差必须对跨折相关性进行调整；作者提出估计该相关性的方法并构造新的置信区间，使其达到渐近名义覆盖率，并在随机森林与神经网络的模拟研究中显示近似名义覆盖率。