无金标准标签下AI生成数据的去偏推断: 通过多重不完美测量进行识别

摘要

学者们日益使用AI测量下游分析中的变量，但若忽略预测误差，即便AI准确率超过90%，也会导致显著偏差和无效置信区间。现有方法如基于设计的监督学习和预测驱动推断需依赖金标准标签，成本高昂。本文提出多重不完美测量去偏推断（DMM）框架，利用多个有误差的AI测量，在无金标准标签下实现有效推断。该框架基于CP分解，假设测量在给定潜在真实标签和观测特征时条件独立，允许分类错误率随标注方法和单元变化。半参数推断理论证明DMM估计量一致且渐近正态，模拟显示其推断有效，加入不完美测量可提升效率。同时开发了诊断条件独立假设的方法。