論文の概要: Double Machine Learning for Static Panel Models with Fixed Effects
- arxiv url: http://arxiv.org/abs/2312.08174v2
- Date: Tue, 19 Dec 2023 23:46:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 18:35:33.318017
- Title: Double Machine Learning for Static Panel Models with Fixed Effects
- Title(参考訳): 固定効果を有する静的パネルモデルのダブル機械学習
- Authors: Paul Clarke and Annalivia Polselli
- Abstract要約: コンバウンド回帰器の非線形効果を考慮したパネルデータから政策介入の推定器を開発する。
3つのよく知られた機械学習アルゴリズムを用いて,これらの推定器の性能について検討する。
英国における国民最低賃金導入の影響を例示する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine Learning (ML) algorithms are powerful data-driven tools for
approximating highdimensional or non-linear nuisance functions which are useful
in practice because the true functional form of the predictors is ex-ante
unknown. In this paper, we develop estimators of policy interventions from
panel data which allow for non-linear effects of the confounding regressors,
and investigate the performance of these estimators using three well-known ML
algorithms, specifically, LASSO, classification and regression trees, and
random forests. We use Double Machine Learning (DML) (Chernozhukov et al.,
2018) for the estimation of causal effects of homogeneous treatments with
unobserved individual heterogeneity (fixed effects) and no unobserved
confounding by extending Robinson (1988)'s partially linear regression model.
We develop three alternative approaches for handling unobserved individual
heterogeneity based on extending the within-group estimator, first-difference
estimator, and correlated random effect estimator (Mundlak, 1978) for
non-linear models. Using Monte Carlo simulations, we find that conventional
least squares estimators can perform well even if the data generating process
is nonlinear, but there are substantial performance gains in terms of bias
reduction under a process where the true effect of the regressors is non-linear
and discontinuous. However, for the same scenarios, we also find - despite
extensive hyperparameter tuning - inference to be problematic for both
tree-based learners because these lead to highly non-normal estimator
distributions and the estimator variance being severely under-estimated. This
contradicts the performance of trees in other circumstances and requires
further investigation. Finally, we provide an illustrative example of DML for
observational panel data showing the impact of the introduction of the national
minimum wage in the UK.
- Abstract(参考訳): 機械学習(ML)アルゴリズムは、予測子の真の機能形式が未知であるため、実際に有用な高次元あるいは非線形ニュアンス関数を近似するための強力なデータ駆動ツールである。
本稿では,集合レグレッサの非線形効果を許容するパネルデータからの政策介入の推定器を開発し,これら推定器の性能について,ラスソ,分類・回帰木,ランダム林の3つのよく知られたmlアルゴリズムを用いて検討する。
我々はDouble Machine Learning (DML) (Chernozhukov et al., 2018) を用いて、不均一な個々の不均一性(固定効果)と、Robinson (1988) の部分的に線形回帰モデルを拡張することによる不均一な共振の因果効果を推定する。
非線形モデルに対するグループ内推定器,ファーストディファレンス推定器,相関付きランダム効果推定器(mundlak,1978)の拡張に基づく,観測不能な個人不均一性を扱うための3つの方法を開発した。
モンテカルロシミュレーションを用いて、データ生成プロセスが非線形であっても従来の最小二乗推定器は良好に動作可能であるが、回帰器の真の効果が非線形で不連続なプロセス下では、バイアス低減の観点からかなりの性能向上がある。
しかし、同じシナリオでは、広範なハイパーパラメータチューニングにもかかわらず、これらが極めて非正規な推定値分布をもたらし、推定値の分散が著しく過小評価されているため、双方の学習者にとって問題となる。
これは他の状況での樹木のパフォーマンスと矛盾し、さらなる調査が必要である。
最後に、英国における全国最低賃金導入の影響を示す観測パネルデータに対するDMLの例を示す。
関連論文リスト
- Calibrating doubly-robust estimators with unbalanced treatment
assignment [0.0]
本稿では、確率スコアモデリングのためのデータをアンサンプするDML推定器の簡単な拡張を提案する。
本論文は, 推定器が推定器の特性を保ち, 校正値が元の分布に一致することを示す理論的結果を提供する。
論文 参考訳(メタデータ) (2024-03-03T18:40:11Z) - A prediction and behavioural analysis of machine learning methods for
modelling travel mode choice [0.26249027950824505]
我々は、モデル選択に影響を及ぼす可能性のある重要な要因の観点から、複数のモデリング問題に対して異なるモデリングアプローチを体系的に比較する。
その結果,非凝集性予測性能が最も高いモデルでは,行動指標やアグリゲーションモードのシェアが低下することが示唆された。
MNLモデルは様々な状況において堅牢に機能するが、ML手法はWillingness to Payのような行動指標の推定を改善することができる。
論文 参考訳(メタデータ) (2023-01-11T11:10:32Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳(メタデータ) (2021-10-24T10:23:51Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳(メタデータ) (2021-07-05T12:44:39Z) - Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。
本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。
自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文 参考訳(メタデータ) (2021-06-07T17:47:16Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-08T14:29:07Z) - Doubly Robust Semiparametric Difference-in-Differences Estimators with
High-Dimensional Data [15.27393561231633]
不均一な治療効果を推定するための2段半パラメトリック差分差分推定器を提案する。
第1段階では、確率スコアを推定するために、一般的な機械学習手法が使用できる。
第2段階ではパラメトリックパラメータと未知関数の両方の収束率を導出する。
論文 参考訳(メタデータ) (2020-09-07T15:14:29Z) - Nonparametric inverse probability weighted estimators based on the
highly adaptive lasso [0.966840768820136]
非パラメトリック逆確率重み付き推定器は非効率であり、次元性の呪いに苦しむことが知られている。
高度適応型ラッソのアンダースムーシングにより重み付け機構を推定する非パラメトリック逆確率重み付き推定器のクラスを提案する。
我々の開発は、大規模統計モデルと様々な問題設定における効率的な逆確率重み付き推定器の構築に幅広い意味を持つ。
論文 参考訳(メタデータ) (2020-05-22T17:49:46Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-04-21T23:09:55Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳(メタデータ) (2019-12-30T14:42:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。