高维设定下基于 $L_2$-Boosting 的处理效应估计与推断
机器学习
2021-07-02 v2 计量经济学
统计方法学
摘要
实证研究者日益面临包含众多控制变量或工具变量的丰富数据集，使得选择合适的变量选择方法至关重要。在本文中，我们给出了在使用后 -Boosting 或正交 -Boosting 进行变量选择后有效推断的结果。我们考虑在众多控制变量中筛选后的处理效应，以及可能具有多个工具变量的工具变量模型。为此，我们在类似于 Lasso 的高维设定下（即在近似稀疏性下且不假设 beta-min 条件）建立了迭代后 -Boosting 和正交 -Boosting 收敛速率的新结果。这些结果被推广到 2SLS 框架，并为处理效应分析提供了有效推断。我们给出了所提方法的广泛模拟结果，并与 Lasso 进行比较。在一个实证应用中，我们使用所提方法构造高效 IV，以估计美国银行分支网络并购前重叠度对收购银行并购后股票收益的影响。
引用
@article{arxiv.1801.00364,
title = {Estimation and Inference of Treatment Effects with $L_2$-Boosting in High-Dimensional Settings},
author = {Jannis Kueck and Ye Luo and Martin Spindler and Zigan Wang},
journal= {arXiv preprint arXiv:1801.00364},
year = {2021}
}
备注
17 pages, 1 figure