弱相依高维动态面板中异质性处理效应的估计与推断
机器学习
2022-12-13 v6
摘要
本文针对同质横截面与单位异质动态面板数据设定下由高维参数刻画的条件平均处理效应(CATE),提供了估计与推断方法。在我们的主要示例中,我们通过将基础处理变量与解释变量相交互来建模CATE。我们程序的第一步是正交化,即从结果变量与基础处理变量中偏出控制变量与单位效应,并取交叉拟合残差。该步骤使用了我们为弱相依时间序列与面板数据设计的一种新颖通用交叉拟合方法。该方法在拟合干扰成分时“留出邻居”,我们借助Strassen耦合从理论上为其提供支撑。因此,只要学习残差足够好,第一步中我们可以依赖任何现代机器学习方法。其次,我们构建了CATE的正交(或残差)学习器——Lasso CATE——它将结果残差对残差化处理后处理变量与解释变量交互项的向量进行回归。若CATE函数的复杂度低于第一阶段回归的复杂度,则该正交学习器比基于单阶段回归的学习器收敛更快。第三,我们利用去偏对CATE函数参数进行同时推断。当CATE为低维时,我们在最后两步也可使用普通最小二乘。在异质面板数据设定下,我们将未观测的单位异质性建模为Mundlak(1978)相关单位效应模型(作为时不变协变量的线性函数)的弱稀疏偏离,并利用L1惩罚来估计这些模型。我们通过基于扫描数据估计食品杂货价格弹性来展示我们的方法。我们注意到,即便对于横截面(独立同分布)情形,我们的结果也是新的。
引用
@article{arxiv.1712.09988,
title = {Estimation and Inference on Heterogeneous Treatment Effects in High-Dimensional Dynamic Panels under Weak Dependence},
author = {Vira Semenova and Matt Goldman and Victor Chernozhukov and Matt Taddy},
journal= {arXiv preprint arXiv:1712.09988},
year = {2022}
}