Résumé Les estimateurs double cross-fit doublement robustes (DCDR), qui forment des estimateurs de fonctions de nuisance sur des échantillons séparés, sont de nouveaux estimateurs efficaces pour les fonctionnels causaux. Nous établissons plusieurs résultats théoriques novateurs pour eux, en nous basant sur des travaux récents. Nous fournissons une analyse d'erreur indépendante de la structure, qui s'applique à des fonctions et des estimateurs de nuisance génériques. Ensuite, nous proposons des estimateurs DCDR n-consistants avec régression polynomiale locale sous-lissée et k-Nearest Neighbours, ainsi qu'un estimateur DCDR optimal en taux minimax avec régression par noyau sous-lissée. Enfin, nous démontrons qu'il est possible de faire des inférences même dans le régime non racine-n avec un théorème central limite pour un estimateur DCDR sous-lissé. Nous renforçons nos résultats théoriques par des expériences de simulation.
McClean et al. (Sat,) ont étudié cette question.