因果推断中的双下降与单下降及其在高维合成控制中的应用
计量经济学
2023-10-16 v3 统计方法学
机器学习
摘要
受近期机器学习中双下降现象文献的启发，我们考虑因果推断中高度过参数化模型，包括具有多个控制单元的合成控制。在此类模型中，自由参数可能极多以至于模型完美拟合训练数据。我们首先研究用于填补工资数据与估计平均处理效应的高维线性回归，发现具有远多于样本量的协变量的模型可优于简单模型。我们随后考察具有多个控制单元的高维合成控制估计量的表现。我们发现，即便在预处置拟合已完美的时点之后，增加控制单元仍有助于改善填补表现。我们为这些高维模型的表现提供了统一的理论视角。具体而言，我们表明更复杂的模型可被解释为对更简单模型之上的模型平均估计量，我们将其与平均表现的改善相联系。该视角就相对于预处置期数而言控制单元众多时合成控制的使用给出了具体洞见。
引用
@article{arxiv.2305.00700,
title = {Double and Single Descent in Causal Inference with an Application to High-Dimensional Synthetic Control},
author = {Jann Spiess and Guido Imbens and Amar Venugopal},
journal= {arXiv preprint arXiv:2305.00700},
year = {2023}
}