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

论文指出，忽略跨折相关性的传统置信区间在多种共享同一类非正则性的应用中会低估覆盖率，包括交叉验证中检验一个拟合模型是否优于另一个、用机器学习检验异质性处理效应，以及估计可能非唯一的最优处理策略的价值。 此前交叉拟合的渐近有效性讨论多集中在常规情形，本文把上述三类应用归为同一形式的非正则性，并说明传统区间在此类情形下覆盖不足。 该判断来自摘要中对问题范围的陈述，属于理论定位与问题刻画，未在摘要中给出具体数值或模拟结果。

作者利用一个新的局部性条件，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，但渐近方差需对跨折相关性进行调整。 相对以往认为非正则性会破坏正态性的看法，本文给出在局部性条件下仍可得到正态近似的结论，并把调整项明确为跨折相关性。 这是摘要中陈述的主要理论结果，属于渐近定理层面的论证，摘要未展开证明细节或正则条件的具体形式。

论文提出估计跨折相关性的方法，并据此构造新的置信区间，使其达到渐近名义覆盖率。 在得到调整后方差的基础上，进一步给出可操作的方差估计与区间构造流程，把理论结果转化为可用于推断的程序。 摘要说明该方法是作者提出的，并声称区间达到渐近名义覆盖率，属于理论保证层面的陈述。

在随机森林与神经网络的模拟研究中，所提出的置信区间达到近似名义覆盖率。 把理论区间放到两类常用机器学习估计器上进行模拟检验，补充了渐近结果之外的小样本表现证据。 证据来自模拟研究，摘要未报告模拟规模、具体覆盖率数值或数据生成设定。

该结果面向使用交叉拟合进行推断的研究者，尤其是需要比较拟合模型、检验异质性处理效应或估计最优处理策略价值的经济学与统计学应用场景。其适用前提是所研究的估计量满足文中提出的局部性条件，并处于摘要所述的那类非正则性之下；在此设定中，作者给出的方法可用于估计跨折相关性并构造达到渐近名义覆盖率的置信区间，模拟结果进一步支持其在随机森林与神经网络下的近似名义覆盖率。

摘要未给出局部性条件的具体表述、跨折相关性估计量的形式、渐近名义覆盖率所需的额外正则条件，也未报告模拟研究的样本规模、数据生成过程与覆盖率数值。因此，读者仍需关注：局部性条件在实际数据与常见机器学习流程中是否容易满足；相关性估计在折数较少或样本有限时的稳定性；以及模拟中近似名义覆盖率能否推广到其他估计器与更复杂的依赖结构。这些属于开放问题，而非对结论的否定。