匹配关键因素：高维匹配估计的一种伪度量学习方法
计量经济学
2019-05-30 v1 机器学习
机器学习
摘要
当通过匹配对观测数据进行预处理时，我们试图用具有不同处理状态的最大相似同伴来近似每个单元——本质上是复制随机化区组设计。然而，随着连续特征数量的增加，维度灾难使得渐近有效的推断变得不可能（Abadie 和 Imbens, 2006）。忽略看似相关的特征这一替代方案无疑更糟，由此产生的权衡极大地限制了匹配方法在“宽”数据集上的应用。相反，Li 和 Fu (2017) 在度量学习框架中重新表述了匹配问题，将特征映射到低维空间，在捕捉单元层面异质性的重要方面的同时促进“更紧密的匹配”。然而，该方法缺乏关键的理论保证，并且在处理效应异质的情形下可能产生不一致的估计。受匹配文献中现有结果直接扩展的启发，我们提出了替代技术，通过 MLP 或基于精心选择的损失函数训练的孪生神经网络来学习潜在匹配特征。我们在模拟中以及针对两个实验数据集（包括经典的 NSW 工人培训计划数据集）对所得的替代方法进行了基准测试，发现基于神经网络的方法具有更优的性能。
引用
@article{arxiv.1905.12020,
title = {Matching on What Matters: A Pseudo-Metric Learning Approach to Matching Estimation in High Dimensions},
author = {Gentry Johnson and Brian Quistorff and Matt Goldman},
journal= {arXiv preprint arXiv:1905.12020},
year = {2019}
}