基于双/去偏机器学习的有限样本平均处理效应估计改进：基于倾向得分校准
计量经济学
2025-01-17 v2 机器学习
摘要
在过去的十年里，机器学习技术在估计因果效应方面获得了越来越的关注。其中一种可用于估计平均处理效应(Average Treatment Effect)的机器学习方法是双/去偏机器学习(Double/debiased machine learning, DML)（Chernozhukov 等人，2018）。该方法使用双鲁棒得分函数，该得分函数依赖于倾向得分等违背函数的预测，即条件于协变物的处理分配概率。依赖于双鲁棒得分函数的估计器对倾向得分预测中的误差极其敏感。机器学习方法会加剧这一问题，因为它们倾向于高估或低估这些概率。已提出了几种校准方法，以改进机器学习预测的概率预报。本文研究在 DML 框架中使用概率校准方法的效果。仿真结果表明，校准倾向得分可显著降低 DML 估计的平均处理效应的均方根误差。我们在一个经验案例中展示了这一点，并给出校准不影响 DML 估计器渐近属性的条件。
引用
@article{arxiv.2409.04874,
title = {Improving the Finite Sample Estimation of Average Treatment Effects using Double/Debiased Machine Learning with Propensity Score Calibration},
author = {Daniele Ballinari and Nora Bearth},
journal= {arXiv preprint arXiv:2409.04874},
year = {2025}
}