基于图神经网络的广义 Mundlak 估计器：面向网络遗漏因素
计量经济学
2026-05-29 v1
摘要
本文提出了基于图神经网络（GNN）的广义 Mundlak 估计器（GME-GNN）。该估计器旨在缓解由组间异质性引起的偏误，并容纳组内个体之间的依赖关系。传统的固定效应模型通过组特定截距来处理组异质性，但要求过于严格的线性可加性和组内独立性假设，并局限于组内比较。与依赖截距不同，GME-GNN 使用聚合的组级平衡统计量来完全控制组间混杂，从而实现有效的跨组比较，并放宽线性约束条件。它进一步采用图神经网络的消息传递机制来自适应学习非线性表征并捕捉组内相互作用效应。理论分析表明，该估计器满足双鲁棒性且渐近正态。仿真和实证研究确认了其性能。
关键词
引用
@article{arxiv.2605.29238,
title = {Graph Neural Networks for Generalized Mundlak Estimator under Network Confounding},
author = {Lianyan Fu and Rui Wang and Zihan Zhang},
journal= {arXiv preprint arXiv:2605.29238},
year = {2026}
}