用于中介与时变剂量反应曲线的序贯核嵌入
统计方法学
2025-03-18 v5 机器学习
计量经济学
机器学习
摘要
我们基于核岭回归提出了用于中介与时变剂量反应曲线的简单非参数估计量。通过将 Pearl 的中介公式与 Robins 的 g-公式用核嵌入，我们允许处理、中介变量与协变量为一般空间中的连续量，并允许非线性的处理-混杂反馈。我们的关键创新是一种称为序贯核嵌入的再生核希尔伯特空间技术，用它构造考虑复杂反馈的简单估计量。我们的估计量在保持经典识别一般性的同时实现了非渐近一致收敛速率。在含多协变量的非线性模拟中，我们展示了强劲性能。我们估计了美国 Job Corps 的中介与时变剂量反应曲线，并清理了可作为未来工作基准的数据。我们将结果扩展到中介与时变处理效应及反事实分布，验证了半参数效率与弱收敛。
引用
@article{arxiv.2111.03950,
title = {Sequential Kernel Embedding for Mediated and Time-Varying Dose Response Curves},
author = {Rahul Singh and Liyuan Xu and Arthur Gretton},
journal= {arXiv preprint arXiv:2111.03950},
year = {2025}
}
备注
Material in this draft previously appeared in a working paper presented at the 2020 NeurIPS Workshop on ML for Economic Policy (arXiv:2010.04855v1). We have divided the original working paper (arXiv:2010.04855v1) into two projects: one paper focusing on time-fixed settings (arXiv:2010.04855) and this paper focusing on time-varying settings