高维动态面板数据中异质处理效应的估计和推断在弱依赖条件下
摘要：高维参数下的条件平均治疗效应(Conditional Average Treatment Effects, CATE)在同质横截面和异质性单位动态面板数据环境中提供了估计和推理方法。在我们的主要示例中，我们通过将基础治疗变量与解释变量进行交互来建立CATE模型。我们过程的第一步是正交化，其中我们从结果和基础治疗中去除控制变量和单位效应，并采取交叉拟合残差。这一步骤使用我们设计的面向弱相关时间序列和面板数据的新型泛化交叉拟合方法。这种方法在拟合无关变量时"排除邻居"，我们通过使用Strassen的耦合理论上加强了这种方法的能力。因此，在第一步中，我们可以依靠任何现代的机器学习方法，只要它足够好地学习残差。第二，我们构建了一个正交(或残差)的CATE学习器——Lasso CATE，它将结果残差回归作为残差化处理后的治疗与解释变量的交互向量。如果CATE函数的复杂性低于第一阶段回归的复杂性，那么正交学习器的收敛速度将快于基于单阶段回归的学习器。第三，我们通过去偏估计对CATE函数的参数进行同时推理。当CATE是低维时，我们还可以在最后两个步骤中使用普通最小二乘法。在异质性面板数据环境中，我们将未观测到的单位异质性建模为与Mundlak(1978)关于与时间不变协变量相关的单位效应的线性函数的弱稀疏偏差，并利用L1惩罚来估计这些模型。我们通过基于扫描数据估计食品价格弹性来展示我们的方法。我们指出，即使对于横截面(i.i.d)的情况，我们的结果也是新的。
作者：Vira Semenova, Matt Goldman, Victor Chernozhukov, Matt Taddy
论文ID：1712.09988
分类：Machine Learning
分类简称：stat.ML
提交时间：2022-12-13