去偏机器学习估计量的渐近性质
计量经济学
2024-11-05 v1
摘要
本文在一种新的渐近框架下研究了去偏机器学习(DML)估计量的性质，为提高这些估计量在实际应用中的性能提供了见解。DML是一种适用于经济模型的估计方法，其中感兴趣的参数依赖于必须估计的未知干扰函数。它所需的条件比先前方法更弱，同时仍能确保标准的渐近性质。现有的理论结果并未区分DML估计量的两种替代版本DML1和DML2。在新的渐近框架下，本文证明DML2在偏差和均方误差方面渐近地优于DML1，将基于模拟结果关于两者相对性能的先前猜想形式化。此外，本文为在实际应用中提高DML2的性能提供了指导。
引用
@article{arxiv.2411.01864,
title = {On the Asymptotic Properties of Debiased Machine Learning Estimators},
author = {Amilcar Velez},
journal= {arXiv preprint arXiv:2411.01864},
year = {2024}
}