# 条件独立性检验

该工作针对条件独立性检验中机器学习模型难以融入对数最优e变量设计的问题，将误差分解为原假设扩大、近似与估计误差，解释了理论上更弱的交换性检验为何在实践中反而更有功效，并探索介于model-X条件独立与交换性之间的中间原假设以降低这些误差，同时给出支持三重稳健性的估计误差界。

该工作针对条件独立性检验中机器学习模型难以融入对数最优e变量设计的问题，将误差分解为原假设扩大、近似与估计误差，解释了理论上更弱的交换性检验为何在实践中反而更有功效，并探索介于model-X条件独立与交换性之间的中间原假设以降低这些误差，同时给出支持三重稳健性的估计误差界。