面向计量经济学中合成控制应用的反事实生成学习
机器学习
2019-10-17 v1 机器学习
摘要
计量经济学中一个常见的统计问题是，给定一个包含未处理结果的控制样本，估计某项处理对处理单元的影响。在此，我们为此问题开发了一种生成式学习方法，学习数据的概率分布，该分布可用于下游任务，如处理后反事实预测和假设检验。我们使用控制样本将数据转换为高斯且同方差的形式，然后在傅里叶空间中进行高斯过程分析，通过非参数功率谱估计评估最优高斯核。我们将此高斯先验与由单个单元的处理前数据给出的数据似然相结合，以获得该单元处理后的合成预测，该预测最小化了合成预测的误差方差。给定生成模型，最小方差反事实是唯一的，并附带一个相关的误差协方差矩阵。我们将此基本形式扩展，以包含主要变量与其他相关协变量的相关性。鉴于生成模型的概率描述，我们可以将合成数据预测与真实数据进行比较，以解决处理是否具有统计显著影响的问题。为此，我们开发了一种假设检验方法并评估了贝叶斯因子。我们将该方法应用于1988年加利福尼亚州烟草销售税这一被广泛研究的案例。我们还使用控制州进行了安慰剂分析以验证我们的方法。我们的假设检验方法表明，支持加州烟草销售税对烟草销售有影响的几率为5.8:1，该值比38个控制州中的任何一个都至少高出三倍。
引用
@article{arxiv.1910.07178,
title = {Generative Learning of Counterfactual for Synthetic Control Applications in Econometrics},
author = {Chirag Modi and Uros Seljak},
journal= {arXiv preprint arXiv:1910.07178},
year = {2019}
}
备注
6 pages, 3 figures. Accepted at NeurIPS 2019 Workshop on Causal Machine Learning