用于分析自由贸易协定决定因素的二部双重/去偏机器学习
计量经济学
2022-12-20 v3
摘要
本文提出了当数据为二部（dyadic）数据时，利用机器学习估计干扰参数，从而对计量经济模型中的参数进行估计与推断的新方法和理论。我们提出了一种二部交叉拟合方法，以在任意二部依赖下消除过拟合偏差。结合内曼正交得分的使用，这一新颖的交叉拟合方法能够实现根-n一致的估计与推断，并对二部依赖具有稳健性。我们展示了将这一通用框架应用于高维网络链接形成模型的一个实例。将该 method 应用于国际经济网络的经验数据，我们重新审视了被视为由世界经济体构成的二部中形成的链接的自由贸易协定（FTA）的决定因素。我们记录了由于有偏的点估计或过小标准误，标准方法可能对众多经典的 FTA 形成决定因素得出误导性结论。
引用
@article{arxiv.2110.04365,
title = {Dyadic double/debiased machine learning for analyzing determinants of free trade agreements},
author = {Harold D Chiang and Yukun Ma and Joel Rodrigue and Yuya Sasaki},
journal= {arXiv preprint arXiv:2110.04365},
year = {2022}
}