利用 Wasserstein 生成对抗网络设计蒙特卡洛模拟

研究者开发新计量经济学方法时，通常会在蒙特卡洛研究中将新方法与现有方法的性能进行比较。此类蒙特卡洛研究的可信度常因研究者在设计选择上的自由度而受限。近年来机器学习文献中出现一类称为生成对抗网络（GANs）的新生成模型，可系统性生成紧密模仿真实经济数据集的人工数据，同时限制研究者的自由度并可选择性满足关于训练数据的隐私保证。此外，若应用研究者关注某特定统计方法在特定数据集上的表现（超出大样本下的理论性质），她可能希望使用与其设定相似、由模拟生成的数据来评估表现，例如置信区间的覆盖率或估计量的偏差。为说明这些方法，我们应用 Wasserstein GANs（WGANs）在三种不同设定（对应三个真实数据集）下比较若干无混杂条件下平均处理效应的估计量，并提出评估结果稳健性的方法。本例中我们发现：（i）没有哪个估计量在三种设定下均优于其他，故研究者应使分析方法适配给定设定；（ii）系统性模拟研究有助于在此情形下从竞争方法中筛选。