条件期望函数之比的正交级数估计
计量经济学
2022-12-27 v1 统计方法学
机器学习
摘要
在数据科学的各个领域，研究者常常关注条件期望函数之比（CEFR）的估计。具体而言，在因果推断问题中，有时很自然地会考虑基于比率的处理效应，例如比值比与风险比，并且在某些具有实证相关性的设定中，即便基于差的处置效应也被识别为CEFR。本章构建了针对CEFR的估计与推断的一般框架，该框架允许对无穷维干扰参数使用灵活的机器学习方法。在该框架的第一阶段，利用去偏机器学习技术构造正交信号，以减轻干扰估计中的正则化偏差对目标估计的负面影响。随后将这些信号与一种专为CEFR设计的新型级数估计量相结合。我们推导了CEFR估计与推断的点态与一致渐近结果，包括高斯自助法的有效性，并给出了将所提框架应用于若干具体示例的低层充分条件。我们通过数值模拟展示了在该框架下构造的级数估计量的有限样本表现。最后，我们将所提方法应用于估计401(k)计划对家庭资产的因果效应。
引用
@article{arxiv.2212.13145,
title = {Orthogonal Series Estimation for the Ratio of Conditional Expectation Functions},
author = {Kazuhiko Shinoda and Takahiro Hoshino},
journal= {arXiv preprint arXiv:2212.13145},
year = {2022}
}