条件平均处理效应与其他因果函数的去偏机器学习
统计方法学
2020-08-17 v6 机器学习
摘要
本文基于现代机器学习（ML）工具，提供了结构函数（如条件平均结构和处理效应，以及结构导数）的最佳线性预测器（近似）的估计和推断方法。我们将此结构函数表示为依赖于一个冗余参数的无偏信号的条件期望，并通过现代机器学习技术对其进行估计。我们首先调整信号，使其对第一阶段正则化偏差不敏感（Neyman-正交）。然后，我们将信号投影到一组随样本量增长的基函数上，这给出了结构函数的最佳线性预测器。我们推导了关于最佳线性预测器所有参数的估计和同时推断的完整结果集，并通过高斯自助法进行推断。当结构函数是平滑的且基函数足够丰富时，我们的估计和推断结果会自动瞄准该函数。当基函数是组指示变量时，最佳线性预测器简化为组平均处理/结构效应，我们的推断会自动瞄准这些参数。我们通过估计以收入为条件的汽油需求平均价格弹性的均匀置信带，展示了我们的方法。
引用
@article{arxiv.1702.06240,
title = {Debiased Machine Learning of Conditional Average Treatment Effects and Other Causal Functions},
author = {Vira Semenova and Victor Chernozhukov},
journal= {arXiv preprint arXiv:1702.06240},
year = {2020}
}