基于机器学习的直接与非直接分位数处理效应的双重稳健估计
计量经济学
2023-07-04 v1 机器学习
摘要
我们提出了在可观测变量选择假设下直接与非直接分位数处理效应的双重/去偏机器学习估计量。这允许将一个二元处理在特定结果秩上的因果效应分解为通过称为中介变量的中间变量起作用的间接成分，以及（未中介的）直接影响。所提方法基于潜在结果累积分布函数的有效得分函数，其对干扰参数（即结果、处理和中介变量模型）的某些误设定具有稳健性。我们用机器学习估计这些干扰参数，并使用交叉拟合以减少直接与非直接分位数处理效应估计中的过拟合偏差。我们建立了效应估计量的均匀一致性与渐近正态性。我们还提出了用于统计推断的乘子自助法，并展示了乘子自助法的有效性。最后，我们在模拟研究中考察了方法的有限样本表现，并将其应用于国家 Job Corp 研究中的经验数据以评估培训的直接与间接收入效应。
引用
@article{arxiv.2307.01049,
title = {Doubly Robust Estimation of Direct and Indirect Quantile Treatment Effects with Machine Learning},
author = {Yu-Chin Hsu and Martin Huber and Yu-Min Yen},
journal= {arXiv preprint arXiv:2307.01049},
year = {2023}
}