Double Machine Learning for Static Panel Models with Fixed Effects

要約

因果推論の最近の進歩により、機械学習アルゴリズムの予測能力を利用する方法が開発されました。
この論文では、二重機械学習（DML）（Chernozhukov et al., 2018）を使用して交絡因子の高次元非線形迷惑関数を近似し、パネルデータから政策介入の効果について推論します。
我々は、Robinson (1988) の部分線形回帰モデルを個々の固定効果と不特定の非線形交絡因子を持つ静的パネル データ モデルに拡張し、線形モデルの相関変量効果、グループ内および一次差分推定を適用することにより、新しい推定量を提案します。
効果。
モンテカルロ シミュレーションを使用して、さまざまな機械学習アルゴリズムの相対的なパフォーマンスを比較したところ、データ生成プロセスが緩やかな非線形で滑らかな場合には従来の最小二乗推定器が良好にパフォーマンスを発揮しますが、バイアス削減の点では DML を使用すると大幅なパフォーマンスの向上があることがわかりました。
リグレッサーの真の効果が非線形かつ不連続である場合。
ただし、個々の学習者に基づいた推論は、ひどく偏った推論につながる可能性があります。
最後に、最低賃金の導入が英国の投票行動に及ぼす影響を示す観察パネルデータの DML の実例を示します。

要約(オリジナル)

Recent advances in causal inference have seen the development of methods which make use of the predictive power of machine learning algorithms. In this paper, we use double machine learning (DML) (Chernozhukov et al., 2018) to approximate high-dimensional and non-linear nuisance functions of the confounders to make inferences about the effects of policy interventions from panel data. We propose new estimators by adapting correlated random effects, within-group and first-difference estimation for linear models to an extension of Robinson (1988)’s partially linear regression model to static panel data models with individual fixed effects and unspecified non-linear confounder effects. Using Monte Carlo simulations, we compare the relative performance of different machine learning algorithms and find that conventional least squares estimators performs well when the data generating process is mildly non-linear and smooth, but there are substantial performance gains with DML in terms of bias reduction when the true effect of the regressors is non-linear and discontinuous. However, inference based on individual learners can lead to badly biased inference. Finally, we provide an illustrative example of DML for observational panel data showing the impact of the introduction of the minimum wage on voting behavior in the UK.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google