随机实验中处理效应估计的 Lasso 调整
统计理论
2022-06-08 v4 统计理论
摘要
当协变量数量很大时，我们为研究人员分析随机实验提供了一种有原则的方法。研究人员通常使用线性多元回归来分析随机实验，而不是简单地报告处理组和对照组之间的均值差。他们的目标是通过调整协变量来降低估计处理效应的方差。如果协变量数量相对于观测值数量较大，回归可能会因过拟合而表现不佳。在这种情况下，Lasso 可能会有所帮助。我们在随机实验的 Neyman-Rubin 模型下研究了由此得到的基于 Lasso 的处理效应估计量。我们提出了保证该估计量比简单的均值差估计量更有效的理论条件，并给出了渐近方差的保守估计量，它可以产生比均值差估计量更窄的置信区间。模拟和数据示例表明，即使协变量数量少于观测值数量，基于 Lasso 的调整也可能是有利的。具体而言，一种使用 Lasso 进行选择并使用 OLS 进行估计的变体表现尤为出色，并且它基于 Lasso 和 OLS 的综合表现来选择平滑参数。
引用
@article{arxiv.1507.03652,
title = {Lasso adjustments of treatment effect estimates in randomized experiments},
author = {Adam Bloniarz and Hanzhong Liu and Cun-Hui Zhang and Jasjeet Sekhon and Bin Yu},
journal= {arXiv preprint arXiv:1507.03652},
year = {2022}
}