数量经济学

经济计量学会杂志

编辑:Stéphane Bonhomme•印刷版ISSN:1759-7323•在线ISSN:17509-7331

数量经济学:2023年5月,第14卷,第2版

弱依赖下高维动态面板异质处理效应的推断

https://doi.org/10.3982/QE1670
第471-510页

维拉·塞门诺娃马特·戈德曼,威克特·切诺祝可夫马特·塔迪

本文提供了条件平均处理效应(CATE)的估计和推断方法,该效应以均匀横截面和单位非均匀动态面板数据设置中的高维参数为特征。在我们的主要示例中,我们通过将基础治疗变量与解释变量相互作用来对CATE进行建模。我们程序的第一步是正交化,在正交化中,我们从结果和基础处理中分离出控制和单位效应,并采用交叉拟合残差。这一步骤使用了一种新的通用交叉拟合方法,该方法是我们为弱相关时间序列和面板数据设计的。这种方法在拟合有害元件时“忽略了相邻元件”,理论上,我们通过使用斯特拉森耦合为其供电。因此,我们可以在第一步依赖任何现代机器学习方法,只要它能很好地学习残差。其次,我们构造了CATE的正交(或残差)学习器——套索CATE,该学习器将结果残差回归到残差化处理与解释变量的交互向量上。如果CATE函数的复杂度比第一阶段回归的复杂度更简单,则正交学习器比基于单阶段回归的学习器收敛更快。第三,我们使用debiasing对CATE函数的参数进行同步推断。当CATE为低维时,我们也可以在最后两个步骤中使用普通最小二乘法。在异质面板数据设置中,我们将未观察到的单位异质性建模为与Mundlak(1978)相关单位效应模型的弱稀疏偏差,作为时间不变协变量的线性函数,并利用L1惩罚来估计这些模型。我们通过基于扫描仪数据估计杂货价格弹性来演示我们的方法。我们注意到,即使对于横截面(i.i.d.)情况,我们的结果也是新的。


完整内容:打印

补充材料

补充“弱依赖下高维动态面板异质处理效应的推断”

维拉·塞梅诺娃、马特·戈德曼、维克托·切尔诺朱科夫和马特·塔迪

数据和程序

补充“弱依赖下高维动态面板异质处理效应的推断”

维拉·塞梅诺娃、马特·戈德曼、维克托·切尔诺朱科夫和马特·塔迪

在线附录

期刊新闻

查看