高维数据下的项目评估与因果推断
统计理论
2018-01-08 v8 计量经济学
统计方法学
机器学习
统计理论
摘要
本文为数据丰富环境下的多种处理效应——包括局部平均处理效应(LATE)和局部分位数处理效应(LQTE)——提供了有效估计量和诚实置信带。我们能够处理大量控制变量、处理的内生接受、异质性处理效应以及函数值结果。我们的框架涵盖了处理外生接受的特殊情形，既包括以控制变量为条件的情形，也包括如随机对照试验中的无条件情形。在后一种情形下，我们的方法为(函数型)平均处理效应(ATE)和分位数处理效应(QTE)提供了有效估计量和诚实置信带。为使信息性推断成为可能，我们假设关键的简化型预测关系是近似稀疏的。这一假设允许使用正则化和选择方法来估计这些关系，并且我们提供了在广泛模型范围内一致有效(诚实)的正则化后和选择后推断方法。我们证明，实现诚实推断的一个关键要素是在估计某些简化型函数参数时使用正交或双重稳健矩条件。我们通过一个估计401(k)资格与参与对累积资产影响的应用来说明所提方法的使用。
引用
@article{arxiv.1311.2645,
title = {Program Evaluation and Causal Inference with High-Dimensional Data},
author = {Alexandre Belloni and Victor Chernozhukov and Ivan Fernández-Val and Christian Hansen},
journal= {arXiv preprint arXiv:1311.2645},
year = {2018}
}
备注
118 pages, 3 tables, 11 figures, includes supplementary appendix. This version corrects some typos in Example 2 of the published version